論文の概要: Cross-Layer Approximation For Printed Machine Learning Circuits
- arxiv url: http://arxiv.org/abs/2203.05915v1
- Date: Fri, 11 Mar 2022 13:41:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 13:44:34.034858
- Title: Cross-Layer Approximation For Printed Machine Learning Circuits
- Title(参考訳): 印刷機械学習回路のクロス層近似
- Authors: Giorgos Armeniakos, Georgios Zervakis, Dimitrios Soudris, Mehdi B.
Tahoori, J\"org Henkel
- Abstract要約: 印刷エレクトロニクス(PE)における機械学習(ML)アーキテクチャに適した層間近似を提案し,実装する。
その結果, クロス近似は, 最先端の精密設計と比較して, 平均面積47%, 消費電力44%, 精度1%以下で最適設計を提供することを示した。
- 参考スコア(独自算出の注目度): 4.865819809855699
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Printed electronics (PE) feature low non-recurring engineering costs and low
per unit-area fabrication costs, enabling thus extremely low-cost and on-demand
hardware. Such low-cost fabrication allows for high customization that would be
infeasible in silicon, and bespoke architectures prevail to improve the
efficiency of emerging PE machine learning (ML) applications. However, even
with bespoke architectures, the large feature sizes in PE constraint the
complexity of the ML models that can be implemented. In this work, we bring
together, for the first time, approximate computing and PE design targeting to
enable complex ML models, such as Multi-Layer Perceptrons (MLPs) and Support
Vector Machines (SVMs), in PE. To this end, we propose and implement a
cross-layer approximation, tailored for bespoke ML architectures. At the
algorithmic level we apply a hardware-driven coefficient approximation of the
ML model and at the circuit level we apply a netlist pruning through a full
search exploration. In our extensive experimental evaluation we consider 14
MLPs and SVMs and evaluate more than 4300 approximate and exact designs. Our
results demonstrate that our cross approximation delivers Pareto optimal
designs that, compared to the state-of-the-art exact designs, feature 47% and
44% average area and power reduction, respectively, and less than 1% accuracy
loss.
- Abstract(参考訳): プリントエレクトロニクス(PE)は、非再帰的なエンジニアリングコストが低く、単位領域当たりの製造コストが低いため、極端に低コストでオンデマンドなハードウェアを実現する。
このような低コストな製造により、シリコンでは実現不可能な高いカスタマイズが可能となり、新しいPE機械学習(ML)アプリケーションの効率向上に成功している。
しかしながら、bespokeアーキテクチャでさえ、PEの大規模な機能サイズは、実装可能なMLモデルの複雑さを制約します。
本研究では,複数のMLP(Multi-Layer Perceptrons)やSupport Vector Machines(SVM)などの複雑なMLモデルをPEで実現するために,近似計算とPE設計を初めて組み合わせる。
そこで本研究では,mlアーキテクチャに適した層間近似を提案し,実装する。
アルゴリズムレベルでは、MLモデルのハードウェア駆動係数近似を適用し、回路レベルでは、全探索によるネットリストプルーニングを適用する。
我々は14のMLPとSVMについて検討し、4300以上の近似的および正確な設計を評価する。
その結果,我々のクロス近似は,最先端の正確な設計と比較して,平均面積47%,消費電力44%,精度損失1%未満のパレート最適設計を実現していることがわかった。
関連論文リスト
- Embedding Hardware Approximations in Discrete Genetic-based Training for
Printed MLPs [1.6052247221616553]
Printed Electronics (PE)は、伸縮性、適合性、および非有毒なハードウェアを可能にする。
PEは大きな機能サイズで制約されており、機械学習(ML)認識回路のような複雑な回路を実装することは困難である。
本稿では,ハードウェア近似をトレーニングプロセスに統合することにより,近似計算の利点を最大化する。
論文 参考訳(メタデータ) (2024-02-05T11:52:23Z) - Quantum Computing Enhanced Service Ecosystem for Simulation in
Manufacturing [57.497038270123774]
本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。
我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
論文 参考訳(メタデータ) (2024-01-19T11:04:14Z) - Bespoke Approximation of Multiplication-Accumulation and Activation
Targeting Printed Multilayer Perceptrons [0.8768075668637361]
Printed Electronics (PE) は、非再帰エンジニアリングコスト、超低製造コスト、オンデマンド製造など、非並列的な機能を提供している。
PEは、その大きな特徴サイズのためにある種の制限に直面しており、複雑な回路の実現を妨げる。
超低消費電力多層パーセプトロン(MLP)分類器を設計するための自動フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-29T14:16:11Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - Model-to-Circuit Cross-Approximation For Printed Machine Learning
Classifiers [4.865819809855699]
プリントエレクトロニクス(PE)は、オンデマンド製造、低い非再帰エンジニアリングコスト、サブセント製造コストを約束する。
PEにおける大きな特徴サイズは、PEにおける複雑なMLモデルの実現を禁止している。
本稿では,PEにおける複雑なMLモデルを実現するため,自動層間近似フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-14T22:11:34Z) - Co-Design of Approximate Multilayer Perceptron for Ultra-Resource
Constrained Printed Circuits [4.865819809855699]
Printed Electronics (PE) では、複雑な印刷機械学習回路の実現が禁止されている。
このフレームワークは、近似計算の原理を利用して、超リソース制約付きプリント多層パーセプトロン(MLP)を実現する。
評価の結果,最先端のベースラインと比較して,回路は平均6倍 (5.7x) 以下の領域 (電力) と1%未満の精度損失を特徴としている。
論文 参考訳(メタデータ) (2023-02-28T13:55:19Z) - Partitioning Distributed Compute Jobs with Reinforcement Learning and
Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。
これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。
スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文 参考訳(メタデータ) (2023-01-31T17:41:07Z) - Unifying Synergies between Self-supervised Learning and Dynamic
Computation [53.66628188936682]
SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。
SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。
密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
論文 参考訳(メタデータ) (2023-01-22T17:12:58Z) - Low-Precision Hardware Architectures Meet Recommendation Model Inference
at Scale [11.121380180647769]
本稿では,低精度ハードウェアに参照レコメンデーションモデルを適用するための検索戦略について紹介する。
また,ツールチェーンの設計と開発について論じ,モデルの精度を生涯にわたって維持する。
これらの教訓は,ハードウェアアーキテクチャとソフトウェアエンジニアリングの協調設計を促進するものだ,と私たちは信じています。
論文 参考訳(メタデータ) (2021-05-26T16:42:33Z) - 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)
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。