論文の概要: Enabling Cross-Domain Communication: How to Bridge the Gap between AI
and HW Engineers
- arxiv url: http://arxiv.org/abs/2104.03780v1
- Date: Thu, 8 Apr 2021 14:05:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 12:55:54.200956
- Title: Enabling Cross-Domain Communication: How to Bridge the Gap between AI
and HW Engineers
- Title（参考訳）: クロスドメインコミュニケーションの実現 - AIとHWエンジニアのギャップを埋める方法
- Authors: Michael J. Klaiber, Axel J. Acosta, Ingo Feldner, Falk Rehm
- Abstract要約: システム設計における重要な問題は、ハードウェア、ソフトウェア、ドメインエキスパート間のコミュニケーションの欠如である。
最近の研究は、ニューラルアクセラレータの自動HW/SW共同設計フローの進歩を示しています。
本稿では、(構成可能な)専用加速器を含むシステムの方法論の確立の可能性について論じる。
- 参考スコア（独自算出の注目度）: 0.17205106391379021
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A key issue in system design is the lack of communication between hardware,
software and domain expert. Recent research work shows progress in automatic
HW/SW co-design flows of neural accelerators that seems to make this kind of
communication obsolete. Most real-world systems, however, are a composition of
multiple processing units, communication networks and memories. A HW/SW
co-design process of (reconfigurable) neural accelerators, therefore, is an
important sub-problem towards a common co-design methodology. The ultimate
challenge is to define the constraints for the design space exploration on
system level - a task which requires deep knowledge and understanding of
hardware architectures, mapping of workloads onto hardware and the application
domain, e.g. artificial intelligence.
For most projects, these skills are distributed among several people or even
different teams which is one of the major reasons why there is no established
end-to-end development methodology for digital systems. This position paper
discusses possibilities how to establish such a methodology for systems that
include (reconfigurable) dedicated accelerators and outlines the central role
that languages and tools play in the process.
- Abstract（参考訳）: システム設計における重要な問題は、ハードウェア、ソフトウェア、ドメインエキスパート間のコミュニケーションの欠如である。
最近の研究では、ニューラルアクセラレーターの自動HW/SW共設計フローの進展が、この種のコミュニケーションを時代遅れにしているように見える。
しかし、現実世界のシステムの多くは、複数の処理ユニット、通信ネットワーク、メモリで構成されている。
したがって、(再構成可能な)ニューラルアクセラレータのHW/SW共設計プロセスは、共通の共設計手法への重要なサブプロブレムである。
究極の課題は、システムレベルでの設計空間探索の制約を定義することです - ハードウェアアーキテクチャの深い知識と理解を必要とするタスク、ワークロードのハードウェアとアプリケーションドメインへのマッピングなどです。
人工知能。
ほとんどのプロジェクトでは、これらのスキルが複数の人、あるいは異なるチームに分散されているため、デジタルシステムのための確立されたエンドツーエンド開発方法論が存在しない主な理由の1つです。
本稿は、(構成可能な)専用アクセラレータを含むシステムのための方法論を確立し、その過程で言語やツールが果たす中心的な役割を概説する可能性について論じる。
関連論文リスト
- Architectures and circuits for distributed quantum computing [0.0]
この論文は、分散パラダイムに基づく量子計算を提供するネットワークを扱う。
この論文の主な貢献は、全体的な忠実度に対するテレゲートの影響を最小限に抑えるコンパイラの定義である。
論文 参考訳（メタデータ） (2023-07-16T00:03:59Z) - TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with
Millions of APIs [71.7495056818522]
私たちは、基礎モデルと数百万のAPIを結合してタスク補完を行う、新しいAIエコシステムとしてTaskMatrix.AIを紹介します。
このようなエコシステムを構築するためのビジョンを示し、それぞれの重要なコンポーネントを説明し、このビジョンの実現可能性と次に取り組むべき主な課題の両方を説明するために研究ケースを使用します。
論文 参考訳（メタデータ） (2023-03-29T03:30:38Z) - Towards Autonomous Satellite Communications: An AI-based Framework to
Address System-level Challenges [0.0]
次世代の衛星コンステレーションは、我々のコネクテッド・ソサエティの将来的なニーズに対処するために設計されている。
完全に自律的な衛星システムを実現するための明確な道はまだない。
本稿では,衛星の自律性を高めるために必要なシステムレベルのニーズを特徴付けることによって,このギャップを埋めようとしている。
論文 参考訳（メタデータ） (2021-12-11T19:36:58Z) - How to Reach Real-Time AI on Consumer Devices? Solutions for
Programmable and Custom Architectures [7.085772863979686]
ディープニューラルネットワーク(DNN)は、オブジェクトや音声認識など、さまざまな人工知能(AI)推論タスクにおいて大きな進歩をもたらした。
このようなAIモデルをコモディティデバイスにデプロイすることは、大きな課題に直面している。
クロススタック手法によりリアルタイムな性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2021-06-21T11:23:12Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-03-31T15:14:39Z) - 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) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳（メタデータ） (2020-08-24T09:49:19Z) - Towards an Interface Description Template for AI-enabled Systems [77.34726150561087]
再利用(Reuse)は、システムアーキテクチャを既存のコンポーネントでインスタンス化しようとする、一般的なシステムアーキテクチャのアプローチである。
現在、コンポーネントが当初目的としていたものと異なるシステムで運用する可搬性を評価するために必要な情報の選択をガイドするフレームワークは存在しない。
我々は、AI対応コンポーネントの主情報をキャプチャするインターフェイス記述テンプレートの確立に向けて、現在進行中の作業について述べる。
論文 参考訳（メタデータ） (2020-07-13T20:30:26Z) - 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) - HCM: Hardware-Aware Complexity Metric for Neural Network Architectures [6.556553154231475]
本稿では,ニューラルネットワークアーキテクチャのシステムデザイナを支援することを目的とした,ハードウェア対応の複雑性指標を提案する。
提案手法は,資源制限されたデバイス上でのニューラルネットワークモデルの設計代替案の評価にどのように役立つかを示す。
論文 参考訳（メタデータ） (2020-04-19T16:42:51Z) - Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。
このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。
AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文 参考訳（メタデータ） (2020-02-22T09:27:55Z)
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。