論文の概要: A Hybrid Approach combining ANN-based and Conventional Demapping in Communication for Efficient FPGA-Implementation

• arxiv url: http://arxiv.org/abs/2304.05042v1
• Date: Tue, 11 Apr 2023 07:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 15:48:43.263708
• Title: A Hybrid Approach combining ANN-based and Conventional Demapping in Communication for Efficient FPGA-Implementation
• Title（参考訳）: FPGAの効率的な実装のための通信におけるANNと従来のデマッピングを組み合わせたハイブリッドアプローチ
• Authors: Jonas Ney, Bilal Hammoud, Norbert Wehn
• Abstract要約: オートエンコーダ (AE) は、送信機と受信機の一部を人工ニューラルネットワーク (ANN) で置き換える概念である。 本稿では,AEの適応性と従来のデマッピングアルゴリズムの効率性を組み合わせたFPGA上での効率的なANNベースのリマッピング手法を提案する。 我々の研究は、FPGA上でのANNベースの通信アルゴリズムの実用化への扉を開く。
• 参考スコア（独自算出の注目度）: 6.072680828922663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In communication systems, Autoencoder (AE) refers to the concept of replacing parts of the transmitter and receiver by artificial neural networks (ANNs) to train the system end-to-end over a channel model. This approach aims to improve communication performance, especially for varying channel conditions, with the cost of high computational complexity for training and inference. Field-programmable gate arrays (FPGAs) have been shown to be a suitable platform for energy-efficient ANN implementation. However, the high number of operations and the large model size of ANNs limit the performance on resource-constrained devices, which is critical for low latency and high-throughput communication systems. To tackle his challenge, we propose a novel approach for efficient ANN-based remapping on FPGAs, which combines the adaptability of the AE with the efficiency of conventional demapping algorithms. After adaption to channel conditions, the channel characteristics, implicitly learned by the ANN, are extracted to enable the use of optimized conventional demapping algorithms for inference. We validate the hardware efficiency of our approach by providing FPGA implementation results and by comparing the communication performance to that of conventional systems. Our work opens a door for the practical application of ANN-based communication algorithms on FPGAs.
• Abstract（参考訳）: 通信システムにおいて、オートエンコーダ(autoencoder、ae)とは、送信機と受信機の一部をニューラルネットワーク(anns)で置き換えて、チャネルモデル上でシステムのエンドツーエンドをトレーニングするという概念を指す。 このアプローチは、特に様々なチャネル条件において、訓練と推論のために高い計算複雑性のコストで通信性能を改善することを目的としている。 フィールドプログラマブルゲートアレイ(FPGA)はエネルギー効率の良いANN実装に適したプラットフォームであることが示されている。 しかし、ANNの操作数やモデルサイズが大きいため、リソース制約のあるデバイスでは性能が制限され、低レイテンシや高スループット通信システムでは重要となる。 そこで本研究では,AEの適応性と従来のデマッピングアルゴリズムの効率性を組み合わせたFPGA上での効率的なANNリマッピング手法を提案する。 チャネル条件への適応後、ANNが暗黙的に学習したチャネル特性を抽出し、最適化された従来のデマッピングアルゴリズムを用いて推論を行う。 FPGAの実装結果を提供し,通信性能を従来のシステムと比較することにより,提案手法のハードウェア効率を検証する。 我々の研究は、FPGA上でのANNベースの通信アルゴリズムの実用化への扉を開く。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Efficient Edge AI: Deploying Convolutional Neural Networks on FPGA with the Gemmini Accelerator [0.5714074111744111]
  我々は、Gemminiアクセラレーターを用いて、FPGA(Field Programmable Gate Arrays)上にCNNを配置するためのエンドツーエンドワークフローを提示する。 Xilinx ZCU102 FPGA 上で YOLOv7 モデルを36.5 GOP/s/W のエネルギー効率で実装することにより,リアルタイムな性能を実現することができた。
  論文  参考訳（メタデータ） (2024-08-14T09:24:00Z)
• CNN-Based Equalization for Communications: Achieving Gigabit Throughput with a Flexible FPGA Hardware Architecture [6.081142345739704]
  本稿では、現代の光通信システムのスループット要件を満たすANNベースの等化器の高性能FPGA実装について述べる。 この実装は、アルゴリズムからハードウェアアーキテクチャへの最適化を特徴とする層間設計アプローチに基づいている。 FPGAの実装は40GB以上のスループットを実現し、高性能なグラフィックス処理ユニットより優れている。
  論文  参考訳（メタデータ） (2024-04-22T09:13:47Z)
• Reconfigurable Distributed FPGA Cluster Design for Deep Learning Accelerators [59.11160990637615]
  エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。 提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
  論文  参考訳（メタデータ） (2023-05-24T16:08:55Z)
• Deep Deterministic Policy Gradient for End-to-End Communication Systems without Prior Channel Knowledge [8.48741007380969]
  E2E(End-to-End)学習に基づく概念は、無線通信システムにおいて送信機と受信機の両方を協調的に最適化するために最近導入された。 本稿では,Deep Deterministic Policy gradient(DDPG)ベースのフレームワークを開発することにより,この問題を解決することを目的とする。
  論文  参考訳（メタデータ） (2023-05-12T13:05:32Z)
• Unsupervised ANN-Based Equalizer and Its Trainable FPGA Implementation [5.487336551142519]
  本稿では、新しいANNベースの教師なし等化器とそのトレーニング可能なフィールドプログラマブルゲートアレイ(FPGA)の実装について述べる。 実用的な通信システムに向けた第一歩として,提案アルゴリズムのFPGAによる効率的な実装を設計し,Gbit/sのスループットを実現する。
  論文  参考訳（メタデータ） (2023-04-14T08:17:05Z)
• FPGA-based AI Smart NICs for Scalable Distributed AI Training Systems [62.20308752994373]
  我々は、フィールドプログラマブルゲートアレイ(FPGA)を用いた分散AI訓練システムのための新しいスマートネットワークインタフェースカード(NIC)を提案する。 提案するFPGAベースのAIスマートNICは,従来のNICを用いたベースラインシステムと比較して,6ノードで1.6倍,32ノードで2.5倍の性能向上が期待できる。
  論文  参考訳（メタデータ） (2022-04-22T21:57:00Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• HALF: Holistic Auto Machine Learning for FPGAs [1.9146960682777232]
  ディープニューラルネットワーク(DNN)は、画像や自然言語処理などの組み込みシステムに関連する領域において、複雑な問題を解決することができる。 特定のFPGAプラットフォームにDNNを効率よく実装するためには、例えばエネルギー効率など、膨大な設計パラメータを考慮する必要がある。 FPGA上でのDNN実装の質は, 自動的, 全体的設計手法により大幅に向上する。
  論文  参考訳（メタデータ） (2021-06-28T14:45:47Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。