論文の概要: AutoML for neuromorphic computing and application-driven co-design:
asynchronous, massively parallel optimization of spiking architectures
- arxiv url: http://arxiv.org/abs/2302.13210v1
- Date: Sun, 26 Feb 2023 02:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:23:01.373687
- Title: AutoML for neuromorphic computing and application-driven co-design:
asynchronous, massively parallel optimization of spiking architectures
- Title（参考訳）: ニューロモルフィックコンピューティングとアプリケーション駆動協調設計のためのautoml:スパイクアーキテクチャの非同期・超並列最適化
- Authors: Angel Yanguas-Gil and Sandeep Madireddy
- Abstract要約: 我々は、ニューロモルフィックアーキテクチャの探索と最適化にAutoMLにインスパイアされたアプローチを拡張した。
ニューロモルフィックアーキテクチャの構成空間を効率的に探索し、最高の性能につながる条件のサブセットを特定することができる。
- 参考スコア（独自算出の注目度）: 3.8937756915387505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work we have extended AutoML inspired approaches to the exploration
and optimization of neuromorphic architectures. Through the integration of a
parallel asynchronous model-based search approach with a simulation framework
to simulate spiking architectures, we are able to efficiently explore the
configuration space of neuromorphic architectures and identify the subset of
conditions leading to the highest performance in a targeted application. We
have demonstrated this approach on an exemplar case of real time, on-chip
learning application. Our results indicate that we can effectively use
optimization approaches to optimize complex architectures, therefore providing
a viable pathway towards application-driven codesign.
- Abstract（参考訳）: 本研究では,ニューロモルフィックアーキテクチャの探索と最適化に対するautomlインスパイアされたアプローチを拡張した。
スパイクアーキテクチャをシミュレートするシミュレーションフレームワークと並列非同期モデルに基づく検索アプローチの統合により、神経形態的アーキテクチャの構成空間を効率的に探索し、ターゲットとするアプリケーションで最高のパフォーマンスをもたらす条件のサブセットを特定できる。
我々は,この手法を実時間,オンチップ学習アプリケーションで実証した。
この結果から,複雑なアーキテクチャを最適化するために最適化アプローチを効果的に活用できることが示唆された。
関連論文リスト
- EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
本稿では,新しいパイプラインスケジューラであるEPS-MoEを紹介する。
その結果,既存の並列推論手法に比べて,プリフィルスループットが平均21%向上していることが判明した。
論文 参考訳（メタデータ） (2024-10-16T05:17:49Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳（メタデータ） (2024-03-26T16:33:12Z) - Introducing Interactions in Multi-Objective Optimization of Software
Architectures [2.920908475492581]
本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。
関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
論文 参考訳（メタデータ） (2023-08-29T07:49:46Z) - CR-LSO: Convex Neural Architecture Optimization in the Latent Space of
Graph Variational Autoencoder with Input Convex Neural Networks [7.910915721525413]
潜時空間最適化(LSO)に基づくニューラルアーキテクチャ探索(NAS)法では、離散的ニューラルアーキテクチャを連続潜時空間に埋め込むために深層生成モデルを訓練する。
本稿では,空間の学習過程を正規化することを目的とした凸性アーキテクチャ正規化空間(CRLSO)法について述べる。
3つのNASベンチマークによる実験結果から,CR-LSOは計算複雑性と性能の両面で競合評価結果が得られることが示された。
論文 参考訳（メタデータ） (2022-11-11T01:55:11Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Learning Where To Look -- Generative NAS is Surprisingly Efficient [11.83842808044211]
本稿では,より有望な潜在部分空間からサンプルを生成することを反復的に学習する,代理予測器と組み合わせた生成モデルを提案する。
このアプローチは、クエリ量を低く保ちながら、非常に効率的で効率的なアーキテクチャ検索をもたらす。
論文 参考訳（メタデータ） (2022-03-16T16:27:11Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳（メタデータ） (2021-06-16T01:25:51Z) - Operation Embeddings for Neural Architecture Search [15.033712726016255]
最適化プロセスにおいて、固定演算子エンコーディングを学習可能な表現に置き換えることを提案する。
本手法は,同様の操作とグラフパターンを共有するトップパフォーマンスアーキテクチャを生成する。
論文 参考訳（メタデータ） (2021-05-11T09:17:10Z) - Towards Accurate and Compact Architectures via Neural Architecture
Transformer [95.4514639013144]
計算コストを増すことなくパフォーマンスを向上させるために、アーキテクチャ内の操作を最適化する必要がある。
我々は最適化問題をマルコフ決定プロセス(MDP)にキャストするニューラルアーキテクチャ変換器(NAT)法を提案している。
NAT++(Neural Architecture Transformer++)メソッドを提案し、アーキテクチャ最適化のパフォーマンスを改善するために、候補遷移のセットをさらに拡大する。
論文 参考訳（メタデータ） (2021-02-20T09:38:10Z) - Apollo: Transferable Architecture Exploration [26.489275442359464]
我々はApolloと呼ばれるトランスファー可能なアーキテクチャ探索フレームワークを提案する。
提案手法は,ベースラインのブラックボックス最適化手法よりも,高報酬設計構成のサンプル効率が高いことを示す。
論文 参考訳（メタデータ） (2021-02-02T19:36:02Z) - Off-Policy Reinforcement Learning for Efficient and Effective GAN
Architecture Search [50.40004966087121]
本稿では,GANアーキテクチャ探索のための強化学習に基づくニューラルアーキテクチャ探索手法を提案する。
鍵となる考え方は、よりスムーズなアーキテクチャサンプリングのためのマルコフ決定プロセス(MDP)として、GANアーキテクチャ探索問題を定式化することである。
我々は,従来の政策によって生成されたサンプルを効率的に活用する,非政治的なGANアーキテクチャ探索アルゴリズムを利用する。
論文 参考訳（メタデータ） (2020-07-17T18:29:17Z)
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。