論文の概要: An Ensemble Learning Approach for In-situ Monitoring of FPGA Dynamic
Power
- arxiv url: http://arxiv.org/abs/2009.01432v1
- Date: Thu, 3 Sep 2020 03:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 08:11:26.099644
- Title: An Ensemble Learning Approach for In-situ Monitoring of FPGA Dynamic
Power
- Title（参考訳）: FPGA動的電力のその場モニタリングのためのアンサンブル学習手法
- Authors: Zhe Lin, Sharad Sinha, Wei Zhang
- Abstract要約: FPGAのランタイム動的パワーを正確に推定できる電力監視方式を提案し,評価する。
本稿では,複数のカスタマイズされたベースラーナーに分解可能な,新規で特殊なアンサンブルモデルについて述べる。
実験では,商業ゲートレベルの電力推定ツールの4.51%以内において,単一の決定木モデルが予測誤差を達成できることを最初に示した。
- 参考スコア（独自算出の注目度）: 20.487660974785943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As field-programmable gate arrays become prevalent in critical application
domains, their power consumption is of high concern. In this paper, we present
and evaluate a power monitoring scheme capable of accurately estimating the
runtime dynamic power of FPGAs in a fine-grained timescale, in order to support
emerging power management techniques. In particular, we describe a novel and
specialized ensemble model which can be decomposed into multiple customized
decision-tree-based base learners. To aid in model synthesis, a generic
computer-aided design flow is proposed to generate samples, select features,
tune hyperparameters and train the ensemble estimator. Besides this, a hardware
realization of the trained ensemble estimator is presented for on-chip
real-time power estimation. In the experiments, we first show that a single
decision tree model can achieve prediction error within 4.51% of a commercial
gate-level power estimation tool, which is 2.41--6.07x lower than provided by
the commonly used linear model. More importantly, we study the extra gains in
inference accuracy using the proposed ensemble model. Experimental results
reveal that the ensemble monitoring method can further improve the accuracy of
power predictions to within a maximum error of 1.90%. Moreover, the lookup
table (LUT) overhead of the ensemble monitoring hardware employing up to 64
base learners is within 1.22% of the target FPGA, indicating its light-weight
and scalable characteristics.
- Abstract（参考訳）: フィールドプログラミング可能なゲートアレイが重要なアプリケーション領域で普及するにつれて、その消費電力は高い関心事となる。
本稿では,新しい電力管理技術をサポートするために,FPGAの実行時の動的パワーを微細な時間スケールで正確に推定できる電力監視方式を提案し,評価する。
特に,複数の決定木に基づくベースラーナに分解可能な,新規で特殊なアンサンブルモデルについて述べる。
モデル合成を支援するために,サンプルの生成,特徴の選択,ハイパーパラメータのチューニング,アンサンブル推定器の訓練を行う汎用コンピュータ支援設計フローを提案する。
これに加えて、オンチップリアルタイム電力推定のためのトレーニングアンサンブル推定器のハードウェア実現について述べる。
実験では, 一般の線形モデルよりも2.41～6.07倍低い商業ゲートレベルの電力推定ツールの4.51%以内において, 一つの決定木モデルで予測誤差が得られることを示した。
さらに,提案するアンサンブルモデルを用いて,推定精度のさらなる向上について検討する。
実験の結果,本手法は最大誤差1.90%の範囲で電力予測の精度をさらに向上できることがわかった。
さらに、64人までのベース学習者を用いたアンサンブル監視ハードウェアのルックアップテーブル(lut)オーバーヘッドは、目標fpgaの1.22%以内であり、軽量でスケーラブルな特性を示す。
関連論文リスト
- VLRewardBench: A Challenging Benchmark for Vision-Language Generative Reward Models [66.56298924208319]
視覚言語生成報酬モデル(VL-GenRM)は、マルチモーダルAIシステムの調整と評価において重要な役割を果たす。
現在のアセスメント手法は、従来のタスクからAIアノテートされた好みラベルに依存している。
VL-RewardBenchは、一般的なマルチモーダルクエリ、視覚幻覚検出、複雑な推論タスクにまたがるベンチマークである。
論文 参考訳（メタデータ） (2024-11-26T14:08:34Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-16T17:13:08Z) - Reconfigurable Distributed FPGA Cluster Design for Deep Learning
Accelerators [59.11160990637615]
エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。
提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
論文 参考訳（メタデータ） (2023-05-24T16:08:55Z) - Sequence-to-Sequence Forecasting-aided State Estimation for Power
Systems [0.0]
本稿では,マルチステップの電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。
双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。
論文 参考訳（メタデータ） (2023-05-22T16:46:37Z) - Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable
Linear State Estimation with PMUs [1.1470070927586016]
本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。
本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。
このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
論文 参考訳（メタデータ） (2023-04-28T08:17:52Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Robust and Fast Data-Driven Power System State Estimator Using Graph
Neural Networks [1.2891210250935146]
本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。
本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
論文 参考訳（メタデータ） (2022-06-06T16:40:54Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳（メタデータ） (2022-03-21T17:59:40Z) - PowerGear: Early-Stage Power Estimation in FPGA HLS via Heterogeneous
Edge-Centric GNNs [33.61567040408962]
FPGA HLSのためのグラフ学習支援電力推定手法であるPowerGearを提案する。
PowerGearには,グラフ構築フローとカスタマイズグラフニューラルネットワーク(GNN)モデルという,2つの主要コンポーネントがある。
搭載された測定値と比較すると、PowerGearは、それぞれ3.60%と8.81%の誤差を持つ新しいHLS設計の総出力と動的パワーを推定する。
論文 参考訳（メタデータ） (2022-01-25T06:18:50Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-11-10T19:31:29Z) - Decision Tree Based Hardware Power Monitoring for Run Time Dynamic Power
Management in FPGA [20.487660974785943]
微細な実行時電力管理技術は電力削減に有望な解決策となるかもしれない。
我々は決定木に基づく電力モデリング手法を活用し,FPGAプラットフォーム上でのハードウェア電力の詳細なモニタリングを行う。
ハードウェア電力監視の柔軟なアーキテクチャを提案し、ランタイム電力推定のために任意のRTL設計で実装できる。
論文 参考訳（メタデータ） (2020-09-03T03:46:12Z)
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。