論文の概要: Enabling Design Methodologies and Future Trends forEdge AI:
Specialization and Co-design
- arxiv url: http://arxiv.org/abs/2103.15750v1
- Date: Thu, 25 Mar 2021 16:29:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 14:45:04.861853
- Title: Enabling Design Methodologies and Future Trends forEdge AI:
Specialization and Co-design
- Title（参考訳）: Edge AIの設計方法論と将来動向:特殊化と共同設計
- Authors: Cong Hao, Jordan Dotzel, Jinjun Xiong, Luca Benini, Zhiru Zhang,
Deming Chen
- Abstract要約: エッジAI開発スタック全体にまたがる、最新の可能な設計方法論に関する包括的な調査を提供する。
効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
- 参考スコア（独自算出の注目度）: 37.54971466190214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) technologies have dramatically advanced in
recent years, resulting in revolutionary changes in people's lives. Empowered
by edge computing, AI workloads are migrating from centralized cloud
architectures to distributed edge systems, introducing a new paradigm called
edge AI. While edge AI has the promise of bringing significant increases in
autonomy and intelligence into everyday lives through common edge devices, it
also raises new challenges, especially for the development of its algorithms
and the deployment of its services, which call for novel design methodologies
catered to these unique challenges. In this paper, we provide a comprehensive
survey of the latest enabling design methodologies that span the entire edge AI
development stack. We suggest that the key methodologies for effective edge AI
development are single-layer specialization and cross-layer co-design. We
discuss representative methodologies in each category in detail, including
on-device training methods, specialized software design, dedicated hardware
design, benchmarking and design automation, software/hardware co-design,
software/compiler co-design, and compiler/hardware co-design. Moreover, we
attempt to reveal hidden cross-layer design opportunities that can further
boost the solution quality of future edge AI and provide insights into future
directions and emerging areas that require increased research focus.
- Abstract（参考訳）: 近年、人工知能(AI)技術は劇的に進歩し、人々の生活に革命的な変化をもたらした。
エッジコンピューティングを活用して、AIワークロードは、中央集権的なクラウドアーキテクチャから分散エッジシステムへと移行し、エッジAIと呼ばれる新しいパラダイムを導入している。
edge aiは、共通エッジデバイスを通じて日常生活に自律性と知性を大幅に増やすことを約束しているが、特にアルゴリズムの開発や、これらのユニークな課題に対応する新しいデザイン方法論を求めるサービスの展開において、新たな課題を提起している。
本稿では、エッジai開発スタック全体にまたがる最新の設計方法論に関する総合的な調査を行う。
効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
オンデバイストレーニング手法,専用ソフトウェア設計,専用ハードウェア設計,ベンチマークと設計自動化,ソフトウェア/ハードウェア共同設計,ソフトウェア/コンパイラ共同設計,コンパイラ/ハードウェア共同設計など,各カテゴリの代表的な方法論について詳細に論じる。
さらに、将来のエッジaiのソリューション品質をさらに向上させ、研究の焦点を増す必要がある将来の方向性や新興分野への洞察を提供する、隠れたクロスレイヤー設計の機会を明らかにすることを試みる。
関連論文リスト
- Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。
結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
論文 参考訳（メタデータ） (2024-10-28T13:03:09Z) - Collaborative AI in Sentiment Analysis: System Architecture, Data Prediction and Deployment Strategies [3.3374611485861116]
大規模言語モデル(LLM)に基づく人工知能技術は、特に感情分析においてゲームチェンジャーとなっている。
しかし、複雑なマルチモーダルデータを処理するための多様なAIモデルの統合と、それに伴う機能抽出の高コストは、大きな課題を呈している。
本研究では,様々なAIシステムにまたがるタスクを効率的に分散・解決するための協調型AIフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-17T06:14:34Z) - Artificial intelligence inspired freeform optics design: a review [5.118772741438762]
この記事では、フリーフォーム光学設計におけるAIアプリケーションの最新開発についてレビューする。
これは、データ要求、モデル解釈可能性、計算複雑性といった課題と共に、精度とパフォーマンスの改善など、AIの利点に対処する。
フリーフォーム光学設計におけるAIの未来は、ハイブリッドデザイン手法、解釈可能なAI、AI駆動製造、特定のアプリケーションを対象とした研究の潜在的な進歩とともに、有望に思われる。
論文 参考訳（メタデータ） (2024-09-18T00:53:27Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳（メタデータ） (2024-02-27T17:11:35Z) - From Cloud to Edge: Rethinking Generative AI for Low-Resource Design
Challenges [7.1341189275030645]
私たちは、エッジで設計するための生成AIの可能性、課題、そして有望なアプローチを検討します。
目的は、設計問題に対する目覚ましいソリューションを作成する際に、生成AIのパワーを活用することである。
論文 参考訳（メタデータ） (2024-02-20T03:59:27Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Exploring the intersection of Generative AI and Software Development [0.0]
生成AIとソフトウェアエンジニアリングの相乗効果は、変革的なフロンティアとして現れます。
このホワイトペーパーは、探索されていない領域に展開し、生成的AI技術がソフトウェア開発にどのように革命をもたらすかを解明する。
これはステークホルダーのためのガイドとして機能し、ソフトウェア工学における生成AIの適用に関する議論と実験を促している。
論文 参考訳（メタデータ） (2023-12-21T19:23:23Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z)
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。