論文の概要: FastML Science Benchmarks: Accelerating Real-Time Scientific Edge
Machine Learning
- arxiv url: http://arxiv.org/abs/2207.07958v1
- Date: Sat, 16 Jul 2022 14:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 07:43:56.584154
- Title: FastML Science Benchmarks: Accelerating Real-Time Scientific Edge
Machine Learning
- Title(参考訳): FastML Science Benchmarks: リアルタイム科学エッジ機械学習の高速化
- Authors: Javier Duarte and Nhan Tran and Ben Hawks and Christian Herwig and
Jules Muhizi and Shvetank Prakash and Vijay Janapa Reddi
- Abstract要約: 本稿では,MLおよび組込みシステム技術をカバーする,科学機械学習ベンチマークの最初のセットを紹介する。
これらのベンチマークは、ナノ秒およびマイクロ秒レベルのレイテンシ要求を満たすことができる科学応用のための将来のエッジMLハードウェアの設計をガイドすることができる。
- 参考スコア(独自算出の注目度): 6.281437279822099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applications of machine learning (ML) are growing by the day for many unique
and challenging scientific applications. However, a crucial challenge facing
these applications is their need for ultra low-latency and on-detector ML
capabilities. Given the slowdown in Moore's law and Dennard scaling, coupled
with the rapid advances in scientific instrumentation that is resulting in
growing data rates, there is a need for ultra-fast ML at the extreme edge. Fast
ML at the edge is essential for reducing and filtering scientific data in
real-time to accelerate science experimentation and enable more profound
insights. To accelerate real-time scientific edge ML hardware and software
solutions, we need well-constrained benchmark tasks with enough specifications
to be generically applicable and accessible. These benchmarks can guide the
design of future edge ML hardware for scientific applications capable of
meeting the nanosecond and microsecond level latency requirements. To this end,
we present an initial set of scientific ML benchmarks, covering a variety of ML
and embedded system techniques.
- Abstract(参考訳): 機械学習(ML)の応用は、多くのユニークで挑戦的な科学的応用のために日々成長している。
しかし、これらの応用に直面する重要な課題は、超低レイテンシとオン検出器ml機能の必要性である。
ムーアの法則とデナードのスケーリングの減速と、データレートの増加をもたらす科学機器の急速な進歩を考えると、極端に超高速なMLが必要である。
最先端の高速mlは、科学実験を加速し、より深い洞察を可能にするために、科学データをリアルタイムで削減およびフィルタリングするために不可欠である。
リアルタイムの科学的エッジMLハードウェアとソフトウェアソリューションを高速化するためには、汎用的に適用可能かつアクセス可能な十分な仕様を備えた、十分に制約されたベンチマークタスクが必要です。
これらのベンチマークは、ナノ秒およびマイクロ秒レベルのレイテンシ要求を満たすことができる科学アプリケーションのための将来のエッジmlハードウェアの設計を導くことができる。
そこで本研究では,MLと組込みシステムの様々な手法を網羅した,科学的なMLベンチマークのセットを提案する。
関連論文リスト
- Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳(メタデータ) (2023-10-04T20:27:20Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - TinyML: Tools, Applications, Challenges, and Future Research Directions [2.9398911304923456]
TinyMLは、安価でリソースに制約のあるデバイス上でのMLアプリケーションを可能にする、組み込み機械学習技術である。
この記事では、TinyML実装で利用可能なさまざまな方法についてレビューする。
論文 参考訳(メタデータ) (2023-03-23T15:29:48Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT [9.477629856092218]
本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
論文 参考訳(メタデータ) (2022-07-18T13:06:21Z) - Quantum Anomaly Detection for Collider Physics [1.5675763601034223]
高エネルギー物理データセットに対する経験的優位性という主張は数多くある。
大型ハドロン衝突型加速器の4レプトン最終状態における異常検出タスクについて検討した。
QMLが古典的MLに勝っているという証拠は見つからない。
論文 参考訳(メタデータ) (2022-06-16T18:01:17Z) - MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。
ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
論文 参考訳(メタデータ) (2022-05-25T11:08:20Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳(メタデータ) (2022-01-13T15:20:45Z) - Applications and Techniques for Fast Machine Learning in Science [11.578814969632552]
このレポートは、Fast ML for Scienceコミュニティが開催する2つのワークショップに基づいている。
さまざまな科学的領域にわたる高速MLのアプリケーション、パフォーマンスとリソース効率のアルゴリズムのトレーニングと実装のテクニック、これらのアルゴリズムをデプロイするアーキテクチャ、プラットフォーム、テクノロジの3つの分野をカバーする。
このレポートは、統合および加速されたMLソリューションによる科学的発見のための多くの例とインスピレーションを提供することを目的としている。
論文 参考訳(メタデータ) (2021-10-25T15:25:25Z) - Bridging observation, theory and numerical simulation of the ocean using
Machine Learning [0.08155575318208629]
海洋の研究は、MLが対処できるユニークな課題の組み合わせを示しています。
利用可能な観測データは、ほとんど空間的に希薄であり、表面に限定されており、数十年以上に及ぶ時系列は少ない。
このレビューでは、MLを適用することで提供される現在の科学的洞察と、差し迫った潜在能力の所在を論じる。
論文 参考訳(メタデータ) (2021-04-26T12:11:51Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z)
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。