論文の概要: Using Convolutional Neural Networks for fault analysis and alleviation in accelerator systems

• arxiv url: http://arxiv.org/abs/2112.02657v1
• Date: Sun, 5 Dec 2021 19:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 10:09:16.792853
• Title: Using Convolutional Neural Networks for fault analysis and alleviation in accelerator systems
• Title（参考訳）: 畳み込みニューラルネットワークを用いた加速器系の故障解析と緩和
• Authors: Jashanpreet Singh Sraw and Deepak M C
• Abstract要約: 本稿では,ニューラルネットワークにおけるハードウェア障害問題について考察する。 我々の研究は、これらの失敗を体系的な観点から評価する。 その結果,システムの信頼性向上に重要な結果が得られた。 さらに、ハードウェアのオーバーヘッドを最小限に抑えながら、これらの障害を回避する効率的な方法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Today, Neural Networks are the basis of breakthroughs in virtually every technical domain. Their application to accelerators has recently resulted in better performance and efficiency in these systems. At the same time, the increasing hardware failures due to the latest (shrinked) semiconductor technology needs to be addressed. Since accelerator systems are often used to back time-critical applications such as self-driving cars or medical diagnosis applications, these hardware failures must be eliminated. Our research evaluates these failures from a systemic point of view. Based on our results, we find critical results for the system reliability enhancement and we further put forth an efficient method to avoid these failures with minimal hardware overhead.
• Abstract（参考訳）: 今日、ニューラルネットワークは事実上すべての技術的領域におけるブレークスルーの基礎となっている。 彼らのアクセラレーターへの応用は、最近これらのシステムでパフォーマンスと効率が向上した。 同時に、最新の(収縮した)半導体技術によるハードウェア障害の増加にも対処する必要がある。 アクセラレータシステムは、自動運転車や医療診断アプリケーションのような時間クリティカルなアプリケーションを支援するためにしばしば使用されるため、これらのハードウェアの故障は排除されなければならない。 本研究は,これらの失敗をシステムの観点から評価する。 この結果から,システムの信頼性向上に重要な結果が得られ,ハードウェアのオーバーヘッドを最小限に抑えるために,より効率的な手法を考案した。

関連論文リスト

• SAFFIRA: a Framework for Assessing the Reliability of Systolic-Array-Based DNN Accelerators [0.4391603054571586]
  本稿では,シストリックアレイをベースとしたディープニューラルネットワーク(DNN)アクセラレータに適した,階層型ソフトウェアベースのハードウェア対応フォールトインジェクション戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-05T13:17:09Z)
• Temporal Patience: Efficient Adaptive Deep Learning for Embedded Radar Data Processing [4.359030177348051]
  本稿では,ストリーミングレーダデータに存在する時間相関を利用して,組込みデバイス上でのディープラーニング推論のための早期排他ニューラルネットワークの効率を向上させる手法を提案する。 以上の結果から,提案手法は単一排他ネットワーク上での推論当たりの演算量の最大26%を削減し,信頼度に基づく早期排他バージョンで12%を削減できることがわかった。 このような効率向上により、リソース制約のあるプラットフォーム上でリアルタイムなレーダデータ処理が可能になり、スマートホーム、インターネット・オブ・シング、人間とコンピュータのインタラクションといったコンテキストにおける新しいアプリケーションが可能になる。
  論文  参考訳（メタデータ） (2023-09-11T12:38:01Z)
• Towards Stability of Autoregressive Neural Operators [5.161531917413708]
  本研究では,Navier-Stokes流体の流れ,浅瀬の回転,高分解能な世界天気予報システムなどの科学的システムについて報告する。 設計原則をニューラル演算子に適用すると、長期予測のエラーが大幅に減少し、時間的地平線が長くなる。
  論文  参考訳（メタデータ） (2023-06-18T18:57:02Z)
• Special Session: Approximation and Fault Resiliency of DNN Accelerators [0.9126382223122612]
  本稿では,Deep Neural Networkアクセラレータの近似とフォールトレジリエンスについて検討する。 本稿では,DNNに障害注入を行わずにハードウェアのエラーをエミュレートするために近似(AxC)演算回路を提案する。 また,ネットワーク上での断層伝播とマスキングによる耐故障性の微粒化解析も提案する。
  論文  参考訳（メタデータ） (2023-05-31T19:27:45Z)
• Towards Dynamic Fault Tolerance for Hardware-Implemented Artificial Neural Networks: A Deep Learning Approach [0.0]
  本研究では,ニューラルネットワークの動的障害影響を軽減するためのディープラーニング手法について検討する。 理論的なユースケースとして、ディープオートエンコーダによる画像圧縮を考える。
  論文  参考訳（メタデータ） (2022-10-16T18:09:48Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator [47.187609203210705]
  本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
  論文  参考訳（メタデータ） (2021-10-22T18:37:22Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)

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。