論文の概要: Designing Neural Networks for Real-Time Systems
- arxiv url: http://arxiv.org/abs/2008.11830v1
- Date: Wed, 26 Aug 2020 21:41:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 20:54:16.993472
- Title: Designing Neural Networks for Real-Time Systems
- Title（参考訳）: リアルタイムシステムのためのニューラルネットワークの設計
- Authors: Hammond Pearce, Xin Yang, Partha S. Roop, Marc Katzef, T\'orur
Biskopst{\o} Str{\o}m
- Abstract要約: 文献におけるほとんどのアプローチは、ANNベースのコントローラの機能のみを保証することを検討している。
本稿では,一般的なディープラーニングフレームワークであるKerasを用いてトレーニングされたニューラルネットワークを,機能的に等価なCコードにコンパイルする設計パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 9.28438818579034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Neural Networks (ANNs) are increasingly being used within
safety-critical Cyber-Physical Systems (CPSs). They are often co-located with
traditional embedded software, and may perform advisory or control-based roles.
It is important to validate both the timing and functional correctness of these
systems. However, most approaches in the literature consider guaranteeing only
the functionality of ANN based controllers. This issue stems largely from the
implementation strategies used within common neural network frameworks -- their
underlying source code is often simply unsuitable for formal techniques such as
static timing analysis. As a result, developers of safety-critical CPS must
rely on informal techniques such as measurement based approaches to prove
correctness, techniques that provide weak guarantees at best. In this work we
address this challenge. We propose a design pipeline whereby neural networks
trained using the popular deep learning framework Keras are compiled to
functionally equivalent C code. This C code is restricted to simple constructs
that may be analysed by existing static timing analysis tools. As a result, if
compiled to a suitable time-predictable platform all execution bounds may be
statically derived. To demonstrate the benefits of our approach we execute an
ANN trained to drive an autonomous vehicle around a race track. We compile the
ANN to the Patmos time-predictable controller, and show that we can derive
worst case execution timings.
- Abstract（参考訳）: 人工ニューラルネットワーク(ANN)は、安全クリティカルなサイバー物理システム(CPS)内でますます使われている。
それらはしばしば従来の組み込みソフトウェアと共存し、アドバイザリやコントロールベースの役割を担っている。
これらのシステムのタイミングと機能的正しさを検証することが重要である。
しかし、文献におけるほとんどのアプローチは、ANNベースのコントローラの機能のみを保証することを考慮している。
この問題は、一般的なニューラルネットワークフレームワークで使用される実装戦略に起因している。その基盤となるソースコードは、静的タイミング分析のような形式的なテクニックには適さないことが多い。
その結果、安全クリティカルなCPSの開発者は、正確性を証明するための測定ベースのアプローチや、保証の弱い技術など、非公式な手法に頼らなければならない。
この作業では、この課題に対処します。
本稿では,一般的なディープラーニングフレームワークであるKerasを用いてトレーニングされたニューラルネットワークを,機能的に等価なCコードにコンパイルする設計パイプラインを提案する。
このCコードは、既存の静的タイミング解析ツールで分析できる単純な構造に制限されている。
結果として、適切な時間予測可能なプラットフォームにコンパイルされると、実行境界はすべて静的に導出される。
このアプローチのメリットを実証するために、レーストラックを走行する自動運転車を駆動するように訓練されたANNを実行しました。
ANNをPatmosのタイム予測可能なコントローラにコンパイルし、最悪のケース実行タイミングを導出できることを示します。
関連論文リスト
- Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。
計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。
従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
論文 参考訳（メタデータ） (2023-12-11T14:27:10Z) - Verified Compositional Neuro-Symbolic Control for Stochastic Systems
with Temporal Logic Tasks [11.614036749291216]
自律エージェントのためのニューラルネットワーク(NN)コントローラを学ぶために、最近いくつかの方法が提案されている。
これらのアプローチにおける重要な課題は、しばしば安全保証が欠如しているか、提供された保証が現実的でないことである。
本稿では,訓練されたNNコントローラの時間的構成が存在するかどうかを確認することで,この問題に対処することを目的とする。
論文 参考訳（メタデータ） (2023-11-17T20:51:24Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Framework for Certification of AI-Based Systems [0.0]
航空宇宙ソフトウェアの現在の認定プロセスは、ディープニューラルネットワークのようなAIベースのアルゴリズムに適応していない。
本稿では,ニューラルネットワークモデルの認証手法を確立するためのフレームワークと原則を提案する。
論文 参考訳（メタデータ） (2023-02-21T23:08:37Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - Towards Optimal VPU Compiler Cost Modeling by using Neural Networks to
Infer Hardware Performances [58.720142291102135]
VPUNN"は低レベルのタスクプロファイリングに基づいてトレーニングされたニューラルネットワークベースのコストモデルである。
これは、IntelのVPUプロセッサのラインにおける最先端のコストモデリングよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-05-09T22:48:39Z) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳（メタデータ） (2021-07-01T13:13:24Z) - Model-Based Safe Policy Search from Signal Temporal Logic Specifications
Using Recurrent Neural Networks [1.005130974691351]
本稿では,STL (Signal Temporal Logic) の仕様からコントローラを学習するためのポリシー探索手法を提案する。
システムモデルは未知であり、制御ポリシとともに学習される。
その結果,本手法は非常に少ないシステム実行で所定の仕様を満たせることが明らかとなり,オンライン制御に活用できる可能性が示唆された。
論文 参考訳（メタデータ） (2021-03-29T20:21:55Z) - Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。
我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。
主アルゴリズムの正確性と収束性を保証する。
論文 参考訳（メタデータ） (2021-02-01T01:13:03Z) - Efficient Reachability Analysis of Closed-Loop Systems with Neural
Network Controllers [39.27951763459939]
本研究は,NNコントローラを用いた前方到達可能な閉ループシステムの推定に焦点をあてる。
最近の研究は到達可能な集合の境界を提供するが、計算効率の高いアプローチは過度に保守的な境界を提供する。
この作業は、NNコントローラによる閉ループシステムの到達可能性解析のための凸最適化問題を定式化することでギャップを埋める。
論文 参考訳（メタデータ） (2021-01-05T22:30:39Z) - Robust Pruning at Initialization [61.30574156442608]
計算リソースが限られているデバイス上で、機械学習アプリケーションを使用するための、より小さく、エネルギー効率のよいニューラルネットワークの必要性が高まっている。
ディープNNにとって、このような手順はトレーニングが困難であり、例えば、ひとつの層が完全に切断されるのを防ぐことができないため、満足できないままである。
論文 参考訳（メタデータ） (2020-02-19T17:09:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。