Fugu-MT 論文翻訳(概要): Ageing Analysis of Embedded SRAM on a Large-Scale Testbed Using Machine Learning

論文の概要: Ageing Analysis of Embedded SRAM on a Large-Scale Testbed Using Machine Learning

arxiv url: http://arxiv.org/abs/2307.06693v1
Date: Thu, 13 Jul 2023 11:37:47 GMT
ステータス: 処理完了
システム内更新日: 2023-07-14 15:00:11.770395
Title: Ageing Analysis of Embedded SRAM on a Large-Scale Testbed Using Machine Learning
Title（参考訳）: 機械学習を用いた大規模テストベッド上の埋め込みSRAMの経時的解析
Authors: Leandro Lanzieri, Peter Kietzmann, Goerschwin Fey, Holger Schlarb, Thomas C. Schmidt
Abstract要約: 老朽化検出と障害予測は、多くのInternet of Thingsデプロイメントにおいて不可欠である。汎用テストベッドから154枚の基板を大規模に解析した。以上の結果から, 加齢の影響は微妙ではあるが, 有効利用時間を推定できる可能性が示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ageing detection and failure prediction are essential in many Internet of Things (IoT) deployments, which operate huge quantities of embedded devices unattended in the field for years. In this paper, we present a large-scale empirical analysis of natural SRAM wear-out using 154 boards from a general-purpose testbed. Starting from SRAM initialization bias, which each node can easily collect at startup, we apply various metrics for feature extraction and experiment with common machine learning methods to predict the age of operation for this node. Our findings indicate that even though ageing impacts are subtle, our indicators can well estimate usage times with an $R^2$ score of 0.77 and a mean error of 24% using regressors, and with an F1 score above 0.6 for classifiers applying a six-months resolution.
Abstract（参考訳）: iot(internet of things, モノのインターネット)のデプロイメントでは、長年、この分野に未到達の大量の組み込みデバイスを運用する上で、老化の検出と障害予測が不可欠である。本稿では, 汎用テストベッドから154枚の基板を用いて, 天然SRAM摩耗の大規模解析を行った。各ノードが起動時に簡単に収集できるsram初期化バイアスから始まり、特徴抽出や一般的な機械学習手法の実験に様々なメトリクスを適用して、このノードの動作年齢を予測します。以上の結果から, 年齢による影響は微妙であるものの, 指標はR^2$スコア0.77, 平均誤差24%, F1スコア0.6以上を6ヶ月の解像度で評価できることがわかった。

関連論文リスト

Understanding GEMM Performance and Energy on NVIDIA Ada Lovelace: A Machine Learning-Based Analytical Approach [0.8192907805418583]
本研究では、カスタム実装のタイル付き行列乗算カーネルとNVIDIAのCUTLASSライブラリの2つのアプローチを用いる。我々は多出力回帰機能を持つランダムフォレストに基づく予測モデルを開発した。我々のフレームワークは、実行時予測のR2スコアが0.98、電力予測の0.78で例外的精度を達成した。
論文参考訳（メタデータ） (2024-11-25T21:47:23Z)
A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
Forecasting Lithium-Ion Battery Longevity with Limited Data Availability: Benchmarking Different Machine Learning Algorithms [3.4628430044380973]
この研究は、従来の機械学習とディープラーニングの両方で、さまざまな機械学習アルゴリズムの相対的なパフォーマンスを比較することを目的としている。統計的データに基づいて手工芸品を投入した14種類の機械学習モデルについて検討した。深層学習モデルは、特に生の限られたデータに対して不適切な性能を示すことが観察された。
論文参考訳（メタデータ） (2023-12-10T00:51:50Z)
Analysis of the Memorization and Generalization Capabilities of AI Agents: Are Continual Learners Robust? [91.682459306359]
連続学習(CL)では、AIエージェントが動的環境下で非定常データストリームから学習する。本稿では,過去の知識を維持しつつ,動的環境への堅牢な一般化を実現するための新しいCLフレームワークを提案する。提案フレームワークの一般化と記憶性能を理論的に解析した。
論文参考訳（メタデータ） (2023-09-18T21:00:01Z)
Generalizable End-to-End Deep Learning Frameworks for Real-Time Attitude Estimation Using 6DoF Inertial Measurement Units [0.0]
本稿では、6DoF IMU測定を用いた実時間慣性姿勢推定のためのエンドツーエンドディープラーニングフレームワークを提案する。加速度計とジャイロスコープを入力とする2つのディープラーニングモデルを提案する。提案手法は, 精度とロバスト性の観点から, 最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-02-13T00:41:49Z)
Machine Learning Capability: A standardized metric using case difficulty with applications to individualized deployment of supervised machine learning [2.2060666847121864]
モデル評価は教師付き機械学習分類解析において重要な要素である。アイテム応答理論(IRT)と機械学習を用いたコンピュータ適応テスト(CAT)は、最終分類結果とは無関係にデータセットをベンチマークすることができる。
論文参考訳（メタデータ） (2023-02-09T00:38:42Z)
MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文参考訳（メタデータ） (2022-09-22T16:44:59Z)
Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文参考訳（メタデータ） (2022-06-21T01:46:38Z)
BB-ML: Basic Block Performance Prediction using Machine Learning Techniques [0.6020800302423842]
我々は,機械学習(ML)技術を用いて,より微細な粒度,すなわちBasic Block(BB)レベルでの性能予測を行う。我々は、GPUアプリケーションの基本的なブロック実行数を外挿し、より小さな入力サイズの数から大きな入力サイズのパフォーマンスを予測するためにそれらを使用する。我々は、より小さな入力セットでトレーニングした場合に、大きな入力セットに対する基本ブロック数を外挿する精度93.5%を達成する。
論文参考訳（メタデータ） (2022-02-16T00:19:15Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文参考訳（メタデータ） (2021-04-04T06:44:15Z)

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。