論文の概要: Energy-frugal and Interpretable AI Hardware Design using Learning
Automata
- arxiv url: http://arxiv.org/abs/2305.11928v1
- Date: Fri, 19 May 2023 15:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 02:05:06.871746
- Title: Energy-frugal and Interpretable AI Hardware Design using Learning
Automata
- Title（参考訳）: 学習オートマタを用いたエネルギーフルーガと解釈可能なAIハードウェア設計
- Authors: Rishad Shafik, Tousif Rahman, Adrian Wheeldon, Ole-Christoffer Granmo,
Alex Yakovlev
- Abstract要約: Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。
本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。
本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 5.514795777097036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy efficiency is a crucial requirement for enabling powerful artificial
intelligence applications at the microedge. Hardware acceleration with frugal
architectural allocation is an effective method for reducing energy. Many
emerging applications also require the systems design to incorporate
interpretable decision models to establish responsibility and transparency. The
design needs to provision for additional resources to provide reachable states
in real-world data scenarios, defining conflicting design tradeoffs between
energy efficiency. is challenging.
Recently a new machine learning algorithm, called the Tsetlin machine, has
been proposed. The algorithm is fundamentally based on the principles of
finite-state automata and benefits from natural logic underpinning rather than
arithmetic. In this paper, we investigate methods of energy-frugal artificial
intelligence hardware design by suitably tuning the hyperparameters, while
maintaining high learning efficacy. To demonstrate interpretability, we use
reachability and game-theoretic analysis in two simulation environments: a
SystemC model to study the bounded state transitions in the presence of
hardware faults and Nash equilibrium between states to analyze the learning
convergence. Our analyses provides the first insights into conflicting design
tradeoffs involved in energy-efficient and interpretable decision models for
this new artificial intelligence hardware architecture. We show that frugal
resource allocation coupled with systematic prodigality between randomized
reinforcements can provide decisive energy reduction while also achieving
robust and interpretable learning.
- Abstract（参考訳）: エネルギー効率は、マイクロエッジで強力な人工知能アプリケーションを実現するための重要な要件である。
フラジアルアーキテクチャアロケーションによるハードウェアアクセラレーションは、エネルギー削減に有効な方法である。
多くの新興アプリケーションは、責任と透明性を確立するために解釈可能な決定モデルを統合するシステム設計を必要とする。
設計は、実世界のデータシナリオで到達可能な状態を提供する追加のリソースをプロビジョニングし、エネルギー効率の間の相反する設計トレードオフを定義する必要がある。
挑戦的です
近年,tsetlin machineと呼ばれる新しい機械学習アルゴリズムが提案されている。
このアルゴリズムは基本的に有限状態オートマトン(英語版)の原理と、算術よりも自然論理の基盤となる利点に基づいている。
本稿では,高パラメータを最適に調整し,高い学習効率を維持しつつ,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。
解釈可能性を示すために,2つのシミュレーション環境での到達可能性とゲーム理論解析を用いて,ハードウェア故障の有無による境界状態遷移と,学習収束度を解析するための状態間のナッシュ平衡を解析するシステムCモデルを提案する。
我々の分析は、この新しい人工知能ハードウェアアーキテクチャのエネルギー効率と解釈可能な決定モデルに関わる設計トレードオフに関する最初の洞察を提供する。
本研究は,ランダム化補強の系統的確率性が組み合わさった不規則な資源割当が,頑健で解釈可能な学習を実現すると同時に,決定的なエネルギー削減をもたらすことを示した。
関連論文リスト
- E-QUARTIC: Energy Efficient Edge Ensemble of Convolutional Neural Networks for Resource-Optimized Learning [9.957458251671486]
Convolutional Neural Networks(CNN)のようなモデルを組み立てると、メモリとコンピューティングのオーバーヘッドが高くなり、組み込みシステムへのデプロイが妨げられる。
人工知能(AI)をベースとした組込みシステムを対象としたCNNのアンサンブルを構築するための,新しいエネルギー効率の良いエッジ組立フレームワークであるE-QUARTICを提案する。
論文 参考訳（メタデータ） (2024-09-12T19:30:22Z) - Solving Boltzmann Optimization Problems with Deep Learning [0.21485350418225244]
Isingモデルは、高エネルギー効率計算のための将来のフレームワークとして、特に有望であることを示している。
イジングシステムは、計算のエネルギー消費に対する熱力学的限界に近づくエネルギーで操作することができる。
Isingベースのハードウェアを作成する際の課題は、基本的な非決定論的ハードウェア上で正しい結果を生成する有用な回路を最適化することである。
論文 参考訳（メタデータ） (2024-01-30T19:52:02Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳（メタデータ） (2023-12-14T09:46:16Z) - Towards Efficient and Trustworthy AI Through
Hardware-Algorithm-Communication Co-Design [32.815326729969904]
最先端のAIモデルは、その不確実性に関する信頼できる尺度を提供することができない。
本稿では,ハードウェアとソフトウェア設計の交差点における研究の方向性を明らかにする。
論文 参考訳（メタデータ） (2023-09-27T18:39:46Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - The Powerful Use of AI in the Energy Sector: Intelligent Forecasting [7.747343962518897]
本稿では,エネルギー部門におけるAIシステムの開発,展開,評価を行う手法を提案する。
目標は、エネルギーユーティリティーユーザーに高い信頼性を提供することだ。
論文 参考訳（メタデータ） (2021-11-03T05:30:42Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳（メタデータ） (2021-06-14T20:48:48Z) - Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
本稿では,機械学習技術の現状について概説する。
私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。
我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
論文 参考訳（メタデータ） (2020-01-07T14:17:09Z)
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。