論文の概要: Lincoln AI Computing Survey (LAICS) Update

• arxiv url: http://arxiv.org/abs/2310.09145v1
• Date: Fri, 13 Oct 2023 14:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-16 12:41:33.723183
• Title: Lincoln AI Computing Survey (LAICS) Update
• Title（参考訳）: Lincoln AI Computing Survey (LAICS) のアップデート
• Authors: Albert Reuther and Peter Michaleas and Michael Jones and Vijay Gadepally and Siddharth Samsi and Jeremy Kepner
• Abstract要約: 本稿は、過去4年間のAIアクセラレーターおよびプロセッサの調査の更新である。 公に発表された現在の商業アクセラレータを収集し、要約する。 市場セグメントを散乱プロットにハイライトし、各セグメントのズームプロットも含む。
• 参考スコア（独自算出の注目度）: 8.790207519640472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper is an update of the survey of AI accelerators and processors from past four years, which is now called the Lincoln AI Computing Survey - LAICS (pronounced "lace"). As in past years, this paper collects and summarizes the current commercial accelerators that have been publicly announced with peak performance and peak power consumption numbers. The performance and power values are plotted on a scatter graph, and a number of dimensions and observations from the trends on this plot are again discussed and analyzed. Market segments are highlighted on the scatter plot, and zoomed plots of each segment are also included. Finally, a brief description of each of the new accelerators that have been added in the survey this year is included.
• Abstract（参考訳）: この論文は、過去4年間のAIアクセラレータとプロセッサの調査の更新であり、現在はLincoln AI Computing Survey - LAICS(レース)と呼ばれている。 本稿は,近年,ピーク性能とピーク電力消費数で公表されている,現在の商用アクセラレータをまとめ,要約する。 散乱グラフ上で性能とパワー値がプロットされ、このプロットの傾向から多くの次元と観測結果が再度議論され、分析される。 市場セグメントは散乱プロットでハイライトされ、各セグメントのズームされたプロットも含まれている。 最後に、今年の調査で追加された新しいアクセラレータのそれぞれについて、簡単な説明が記載されている。

関連論文リスト

• Occupancy Detection Based on Electricity Consumption [0.0]
  本稿では、低周波電力消費データから住宅が空き時間帯を抽出する新しい手法を提案する。 これは、シミュレーションおよび実消費曲線の両方において、励まされる結果を示す。
  論文  参考訳（メタデータ） (2023-12-13T21:49:09Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• Citation Trajectory Prediction via Publication Influence Representation Using Temporal Knowledge Graph [52.07771598974385]
  既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。 本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。 APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
  論文  参考訳（メタデータ） (2022-10-02T07:43:26Z)
• Outing Power Outages: Real-time and Predictive Socio-demographic Analytics for New York City [0.0]
  私たちは、2020年7月以降ニューヨーク市で停電に関するデータを取得し収集するように設計されたツールについて説明する。 電気障害はフロントエンドアプリケーションに表示され、公開されています。 収集した機能停止データを用いて、これらの機能停止とその社会経済的影響を分析する。
  論文  参考訳（メタデータ） (2022-02-22T17:51:00Z)
• Graph Data Augmentation for Graph Machine Learning: A Survey [19.372562034069084]
  本研究の目的は,グラフデータ拡張における既存文献の展望を明らかにすることであり,この領域における追加研究の動機付けである。 まず、修正または作成するグラフデータのコンポーネントに基づいて、グラフデータ拡張操作を分類する。 次に,グラフデータ拡張の最近の進歩を紹介し,その学習目標と方法論によって分離する。
  論文  参考訳（メタデータ） (2022-02-17T19:14:17Z)
• AI Accelerator Survey and Trends [4.722078109242797]
  本稿では,過去2年間のAIアクセラレータとプロセッサの調査を更新する。 本稿では,ピーク性能と電力消費数で公表されている現在の商用アクセラレータをまとめ,要約する。
  論文  参考訳（メタデータ） (2021-09-18T15:57:47Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• STEP: Segmenting and Tracking Every Pixel [107.23184053133636]
  新しいベンチマークを示す: Segmenting and Tracking Every Pixel (STEP) 私たちの仕事は、空間領域と時間領域の両方で密な解釈を必要とする現実世界の設定で、このタスクをターゲットとする最初のものです。 性能を測定するために,新しい評価指標と追跡品質(STQ)を提案する。
  論文  参考訳（メタデータ） (2021-02-23T18:43:02Z)
• Survey of Machine Learning Accelerators [15.163544680926474]
  本稿では,昨年のIEEE-HPEC論文から,AIアクセラレータとプロセッサの調査を更新する。 本稿では,性能と消費電力の数値が公表されている現在のアクセラレータを整理し,要約する。
  論文  参考訳（メタデータ） (2020-09-01T01:28:59Z)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。