論文の概要: Evaluating System Identification Methods for Predicting Thermal
Dissipation of Heterogeneous SoCs
- arxiv url: http://arxiv.org/abs/2112.10121v1
- Date: Sun, 19 Dec 2021 11:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 06:36:07.527312
- Title: Evaluating System Identification Methods for Predicting Thermal
Dissipation of Heterogeneous SoCs
- Title（参考訳）: 不均一SoCの熱散逸予測システム同定法の評価
- Authors: Joel \"Ohrling and S\'ebastien Lafond and Dragos Truscan
- Abstract要約: 本稿では,各コアのクロック周波数と利用率に基づいて温度を予測できるモデリング手法に着目する。
本稿では, 回帰器を用いた線形状態空間同定アプローチ, NARXニューラルネットワークアプローチ, 繰り返しニューラルネットワークアプローチの3つの手法について検討する。
その結果, 回帰器に基づくモデルでは, 1時間6時間のトレーニングで他の2モデルよりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we evaluate the use of system identification methods to build a
thermal prediction model of heterogeneous SoC platforms that can be used to
quickly predict the temperature of different configurations without the need of
hardware. Specifically, we focus on modeling approaches that can predict the
temperature based on the clock frequency and the utilization percentage of each
core. We investigate three methods with respect to their prediction accuracy: a
linear state-space identification approach using polynomial regressors, a NARX
neural network approach and a recurrent neural network approach configured in
an FIR model structure. We evaluate the methods on an Odroid-XU4 board
featuring an Exynos 5422 SoC. The results show that the model based on
polynomial regressors significantly outperformed the other two models when
trained with 1 hour and 6 hours of data.
- Abstract（参考訳）: 本稿では,ハードウェアを必要とせずに,異なる構成の温度を迅速に予測できる異種socプラットフォームの温度予測モデルを構築するためのシステム同定手法について評価する。
具体的には,各コアのクロック周波数と利用率に基づいて温度を予測できるモデリング手法に注目した。
本研究では, 多項式回帰器を用いた線形状態空間同定手法, NARXニューラルネット手法, FIRモデル構造に設定したリカレントニューラルネットワークアプローチの3つの手法について検討する。
本手法はExynos 5422 SoCを用いたOdroid-XU4基板上で評価した。
その結果, 多項式レグレッセプタに基づくモデルは, 1時間および6時間のデータで学習した場合, 他の2モデルを大きく上回った。
関連論文リスト
- Nonlinear System Identification of Swarm of UAVs Using Deep Learning
Methods [0.0]
目的は,Swarmモデルの非線形ダイナミクスを正確に近似することにより,将来のSwarm軌道を予測することである。
その結果,ニューラルODEと過渡的データを用いたよく訓練されたモデルの組み合わせは,初期条件の変化に対して堅牢であることがわかった。
論文 参考訳（メタデータ） (2023-11-21T13:13:12Z) - Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。
我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
論文 参考訳（メタデータ） (2023-06-02T16:46:47Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - A Spatio-Temporal Neural Network Forecasting Approach for Emulation of
Firefront Models [11.388800758488314]
モデルエミュレーションのための専用時間ニューラルネットワークベースのフレームワークを提案する。
提案手法は、ニューラルネットワークに基づくアプローチにおいてしばしば困難となる、空間的および時間的細部での予測を近似することができる。
実証実験では、シミュレーションとエミュレートされたファイアフロント間の良好な一致が示され、平均的なジャカードスコアは0.76である。
論文 参考訳（メタデータ） (2022-06-17T03:11:18Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Assessments of model-form uncertainty using Gaussian stochastic weight
averaging for fluid-flow regression [0.0]
我々は,ニューラルネットワークに基づく関数近似に関連したモデル形状の不確実性を評価するために,ガウス量平均化(SWAG)を用いた。
SWAGは、各重量の後方ガウス分布、与えられたトレーニングデータ、一定の学習率を近似する。
本稿では,2種類のニューラルネットワークに適用可能であることを示す。
論文 参考訳（メタデータ） (2021-09-16T23:13:26Z) - Data-driven geophysical forecasting: Simple, low-cost, and accurate
baselines with kernel methods [0.6875312133832078]
これらのエミュレータのカーネルもデータから学習されると、結果のデータ駆動モデルは方程式ベースモデルよりも高速であることを示す。
気候学や永続性に基づく予測技術に対する大きな改善が見られます。
論文 参考訳（メタデータ） (2021-02-13T19:57:33Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z)
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。