論文の概要: Design Principles for Lifelong Learning AI Accelerators
- arxiv url: http://arxiv.org/abs/2310.04467v1
- Date: Thu, 5 Oct 2023 19:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 18:31:34.127372
- Title: Design Principles for Lifelong Learning AI Accelerators
- Title(参考訳): 生涯学習型AI加速器の設計原理
- Authors: Dhireesha Kudithipudi, Anurag Daram, Abdullah M. Zyarah, Fatima Tuz
Zohora, James B. Aimone, Angel Yanguas-Gil, Nicholas Soures, Emre Neftci,
Matthew Mattina, Vincenzo Lomonaco, Clare D. Thiem, Benjamin Epstein
- Abstract要約: 生涯学習は生物学習システムの目印であり、人工知能(AI)の中心的課題である
本稿では,非テザリング環境での展開を目的とした,生涯学習型AIアクセラレータの設計について検討する。
我々は、生涯学習アクセラレーターにとって望ましい重要な能力を特定し、そうしたアクセラレーターを評価するための指標を強調する。
- 参考スコア(独自算出の注目度): 9.318929041044463
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lifelong learning - an agent's ability to learn throughout its lifetime - is
a hallmark of biological learning systems and a central challenge for
artificial intelligence (AI). The development of lifelong learning algorithms
could lead to a range of novel AI applications, but this will also require the
development of appropriate hardware accelerators, particularly if the models
are to be deployed on edge platforms, which have strict size, weight, and power
constraints. Here, we explore the design of lifelong learning AI accelerators
that are intended for deployment in untethered environments. We identify key
desirable capabilities for lifelong learning accelerators and highlight metrics
to evaluate such accelerators. We then discuss current edge AI accelerators and
explore the future design of lifelong learning accelerators, considering the
role that different emerging technologies could play.
- Abstract(参考訳): 生涯学習 - 生涯にわたって学習するエージェントの能力 - は、生物学的学習システムの目印であり、人工知能(AI)における中心的な課題である。
生涯学習アルゴリズムの開発は、さまざまな新しいaiアプリケーションにつながる可能性があるが、これはまた、厳格なサイズ、重さ、電力制約のあるエッジプラットフォームにモデルがデプロイされる場合、適切なハードウェアアクセラレータの開発も必要となる。
本稿では,非テザリング環境での展開を目的とした,生涯学習型AIアクセラレータの設計について検討する。
我々は、生涯学習アクセラレーターにとって望ましい重要な能力を特定し、そうしたアクセラレーターを評価するための指標を強調する。
そして、さまざまな新興技術が果たす役割を考慮して、現在のエッジAIアクセラレータについて議論し、生涯学習アクセラレータの将来設計について検討する。
関連論文リスト
- Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。
この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。
本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
論文 参考訳(メタデータ) (2024-03-14T07:40:32Z) - Scaling Artificial Intelligence for Digital Wargaming in Support of
Decision-Making [0.0]
マルチモデルアプローチと次元不変の観察抽象化を含む階層的強化学習フレームワークを開発し,実装している。
AI対応システムを前進させることで、全ドメイン認識を強化し、意思決定サイクルのスピードと品質を改善し、新しい行動コースの推奨を提供し、敵の行動に迅速に対抗できるようになります。
論文 参考訳(メタデータ) (2024-02-08T21:51:07Z) - Using the Abstract Computer Architecture Description Language to Model
AI Hardware Accelerators [77.89070422157178]
AI統合製品の製造者は、製品のパフォーマンス要件に適合するアクセラレータを選択するという、重大な課題に直面します。
抽象コンピュータアーキテクチャ記述言語(ACADL)は、コンピュータアーキテクチャブロック図の簡潔な形式化である。
本稿では,AIハードウェアアクセラレーションのモデル化にACADLを用いること,DNNのマッピングにACADL記述を使用し,タイミングシミュレーションのセマンティクスを解説し,性能評価結果の収集を行う。
論文 参考訳(メタデータ) (2024-01-30T19:27:16Z) - A Comprehensive Performance Study of Large Language Models on Novel AI
Accelerators [2.88634411143577]
大規模言語モデル(LLM)は、いくつかの課題に対処するための有望なアプローチと考えられている。
専門のAIアクセラレータハードウェアシステムは、最近、AIアプリケーションの高速化に利用できるようになった。
論文 参考訳(メタデータ) (2023-10-06T21:55:57Z) - GPT4AIGChip: Towards Next-Generation AI Accelerator Design Automation via Large Language Models [20.844806635710526]
GPT4AIGChipは、人間の自然言語を活用してAIアクセラレータ設計を民主化するためのフレームワークである。
この研究は、LLMを利用した自動AIアクセラレータ生成のための効果的なパイプラインを初めて実証したものだ。
論文 参考訳(メタデータ) (2023-09-19T16:14:57Z) - A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳(メタデータ) (2023-08-15T16:37:16Z) - Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳(メタデータ) (2023-04-19T17:37:54Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳(メタデータ) (2023-01-08T15:02:38Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳(メタデータ) (2022-12-10T07:49:50Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳(メタデータ) (2021-10-28T16:04:01Z)
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。