論文の概要: A Survey of Machine Learning for Computer Architecture and Systems
- arxiv url: http://arxiv.org/abs/2102.07952v1
- Date: Tue, 16 Feb 2021 04:09:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 14:51:39.320384
- Title: A Survey of Machine Learning for Computer Architecture and Systems
- Title(参考訳): コンピュータアーキテクチャとシステムのための機械学習に関する調査
- Authors: Nan Wu, Yuan Xie
- Abstract要約: コンピュータアーキテクチャとシステムが機械学習(ml)アルゴリズムやモデルの効率的な実行を可能にするように最適化されるのは、長い間のことです。
今こそ、MLとシステムの関係を再考し、MLがコンピュータアーキテクチャとシステムが設計される方法を変える時です。
- 参考スコア(独自算出の注目度): 18.620218353713476
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: It has been a long time that computer architecture and systems are optimized
to enable efficient execution of machine learning (ML) algorithms or models.
Now, it is time to reconsider the relationship between ML and systems, and let
ML transform the way that computer architecture and systems are designed. This
embraces a twofold meaning: the improvement of designers' productivity, and the
completion of the virtuous cycle. In this paper, we present a comprehensive
review of work that applies ML for system design, which can be grouped into two
major categories, ML-based modelling that involves predictions of performance
metrics or some other criteria of interest, and ML-based design methodology
that directly leverages ML as the design tool. For ML-based modelling, we
discuss existing studies based on their target level of system, ranging from
the circuit level to the architecture/system level. For ML-based design
methodology, we follow a bottom-up path to review current work, with a scope of
(micro-)architecture design (memory, branch prediction, NoC), coordination
between architecture/system and workload (resource allocation and management,
data center management, and security), compiler, and design automation. We
further provide a future vision of opportunities and potential directions, and
envision that applying ML for computer architecture and systems would thrive in
the community.
- Abstract(参考訳): コンピュータアーキテクチャとシステムが機械学習(ml)アルゴリズムやモデルの効率的な実行を可能にするように最適化されるのは、長い間のことです。
今こそ、MLとシステムの関係を再考し、MLがコンピュータアーキテクチャとシステムが設計される方法を変える時です。
これは、デザイナーの生産性の向上と、vistuous cycleの完成という2つの意味を持つ。
本論文では,システム設計にMLを適用する作業について総合的に検討し,性能指標の予測を含むMLベースのモデリングと,MLを設計ツールとして直接活用するMLベースの設計方法論の2つの主要なカテゴリに分類する。
MLに基づくモデリングでは,回路レベルからアーキテクチャ/システムレベルまで,システム対象レベルに基づく既存研究について論じる。
MLベースの設計方法論では、(マイクロ)アーキテクチャ設計(メモリ、ブランチ予測、NoC)、アーキテクチャ/システムとワークロード間の調整(リソースの割り当てと管理、データセンター管理、セキュリティ)、コンパイラ、設計自動化など、現在の作業をレビューするためのボトムアップパスに従っています。
さらに、機会と潜在的な方向性の将来のビジョンを提供し、コンピュータアーキテクチャとシステムへのMLの適用がコミュニティで繁栄することを期待しています。
関連論文リスト
- Understanding the Complexity and Its Impact on Testing in ML-Enabled
Systems [8.630445165405606]
世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。
私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。
本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
論文 参考訳(メタデータ) (2023-01-10T08:13:24Z) - COMET: A Comprehensive Cluster Design Methodology for Distributed Deep
Learning Training [56.54041912681912]
現代のディープラーニング(DL)モデルは、トレーニングする専門的でハイエンドなノードの大規模なクラスタを必要とするサイズに成長しています。
このようなクラスタを設計して、パフォーマンスと利用の両方を最大化し、その急激なコストを償却することは、難しい作業です。
並列化戦略とキークラスタリソースのプロビジョニングが分散DLトレーニングのパフォーマンスに与える影響を共同で研究するために,COMETを総括的クラスタ設計方法論およびワークフローとして導入する。
論文 参考訳(メタデータ) (2022-11-30T00:32:37Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳(メタデータ) (2022-11-29T17:10:24Z) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳(メタデータ) (2022-09-15T13:21:16Z) - Towards Perspective-Based Specification of Machine Learning-Enabled
Systems [1.3406258114080236]
本稿では、ML対応システムを特定するための視点に基づくアプローチに向けた取り組みについて述べる。
このアプローチでは、目標、ユーザエクスペリエンス、インフラストラクチャ、モデル、データという5つの視点にグループ化された45のML関心事のセットを分析する。
本論文の主な貢献は、ML対応システムを特定するのに役立つ2つの新しいアーティファクトを提供することである。
論文 参考訳(メタデータ) (2022-06-20T13:09:23Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - Exploring the potential of flow-based programming for machine learning
deployment in comparison with service-oriented architectures [8.677012233188968]
理由のひとつは、データ収集と分析に関するアクティビティのために設計されていないインフラストラクチャである、と私たちは論じています。
本稿では,データストリームを用いたフローベースのプログラミングを,ソフトウェアアプリケーション構築に広く使用されるサービス指向アーキテクチャの代替として検討する。
論文 参考訳(メタデータ) (2021-08-09T15:06:02Z) - Software Architecture for ML-based Systems: What Exists and What Lies
Ahead [4.073826298938432]
私たちは、MLベースのソフトウェアシステムを設計する現在のシナリオに存在するさまざまなアーキテクチャプラクティスを強調することを目的として、スペクトルの以前の側面に焦点を当てています。
MLベースのソフトウェアシステムを設計するための標準的なプラクティスセットをより適切に定義するために、MLとソフトウェア実践者の双方の注意を必要とするソフトウェアアーキテクチャの4つの重要な領域を特定します。
論文 参考訳(メタデータ) (2021-03-14T15:20:46Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。