論文の概要: PANDA: Architecture-Level Power Evaluation by Unifying Analytical and
Machine Learning Solutions
- arxiv url: http://arxiv.org/abs/2312.08994v1
- Date: Thu, 14 Dec 2023 14:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-15 21:36:49.484732
- Title: PANDA: Architecture-Level Power Evaluation by Unifying Analytical and
Machine Learning Solutions
- Title(参考訳): PANDA: 分析と機械学習の統合によるアーキテクチャレベルのパワー評価
- Authors: Qijun Zhang, Shiyu Li, Guanglei Zhou, Jingyu Pan, Chen-Chia Chang,
Yiran Chen, Zhiyao Xie
- Abstract要約: 解析モデルとMLパワーモデルの利点を組み合わせた,革新的なアーキテクチャレベルのソリューションであるPANDAを提案する。
これは、訓練用の非常に限られた設計であっても、未知の新しい設計に対して前例のない高い精度を達成する。
PANDAは未知の新しい技術ノードの電力予測もサポートする。
- 参考スコア(独自算出の注目度): 7.066333973227772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power efficiency is a critical design objective in modern microprocessor
design. To evaluate the impact of architectural-level design decisions, an
accurate yet efficient architecture-level power model is desired. However,
widely adopted data-independent analytical power models like McPAT and Wattch
have been criticized for their unreliable accuracy. While some machine learning
(ML) methods have been proposed for architecture-level power modeling, they
rely on sufficient known designs for training and perform poorly when the
number of available designs is limited, which is typically the case in
realistic scenarios.
In this work, we derive a general formulation that unifies existing
architecture-level power models. Based on the formulation, we propose PANDA, an
innovative architecture-level solution that combines the advantages of
analytical and ML power models. It achieves unprecedented high accuracy on
unknown new designs even when there are very limited designs for training,
which is a common challenge in practice. Besides being an excellent power
model, it can predict area, performance, and energy accurately. PANDA further
supports power prediction for unknown new technology nodes. In our experiments,
besides validating the superior performance and the wide range of
functionalities of PANDA, we also propose an application scenario, where PANDA
proves to identify high-performance design configurations given a power
constraint.
- Abstract(参考訳): 電力効率は現代のマイクロプロセッサ設計において重要な設計目標である。
アーキテクチャレベルの設計決定の影響を評価するには、正確かつ効率的なアーキテクチャレベルの電力モデルが望まれる。
しかし、McPATやWattchのような広く採用されているデータ非依存の分析パワーモデルは、信頼性の低い精度で批判されている。
アーキテクチャレベルのパワーモデリングには機械学習(ML)手法が提案されているが、トレーニングに十分な既知の設計に依存しており、利用可能な設計の数が限られている場合、性能が良くない。
本研究では、既存のアーキテクチャレベルのパワーモデルを統一する一般的な定式化を導出する。
この定式化に基づいて,解析モデルとMLパワーモデルの利点を組み合わせた,革新的なアーキテクチャレベルのソリューションであるPANDAを提案する。
これは、訓練のための非常に限られた設計であっても、未知の新しい設計に対して前例のない高い精度を達成する。
優れたパワーモデルであるだけでなく、面積、性能、エネルギーを正確に予測することができる。
PANDAは未知の新しい技術ノードの電力予測もサポートする。
実験では、PANDAの優れた性能と幅広い機能を検証することに加えて、PANDAが電力制約を課した高性能な設計構成を特定することを証明するアプリケーションシナリオも提案した。
関連論文リスト
- Apple Intelligence Foundation Language Models [109.60033785567484]
本報告では、モデルアーキテクチャ、モデルトレーニングに使用されるデータ、トレーニングプロセス、評価結果について述べる。
私たちは、Responsible AIと、モデル開発全体を通して原則がどのように適用されているかに重点を置いています。
論文 参考訳(メタデータ) (2024-07-29T18:38:49Z) - Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation [2.3636539018632616]
この研究は、複雑なディープラーニングモデルの最適化を実証的に研究し、組み込みデバイス上で機能を分析する。
画像分類と映像行動検出のための推論速度の観点から最適化されたモデルの有効性を評価する。
論文 参考訳(メタデータ) (2024-06-25T17:34:52Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳(メタデータ) (2024-03-26T16:33:12Z) - Large Foundation Models for Power Systems [6.9618567630474475]
LLM(Large Language Models)のような基礎的なモデルは、タスク固有のデータ収集やモデルトレーニングなしに、幅広いフォーマットのないクエリに応答することができる。
まず、電力系統の4つの代表的タスクにおける性能を検証し、既存の基礎モデルの可能性について検討する。
この結果から, 電力系統運用パイプラインの効率化と信頼性向上に向けた基礎モデルの有効性が示唆された。
論文 参考訳(メタデータ) (2023-12-12T07:55:48Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳(メタデータ) (2023-07-19T01:05:33Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳(メタデータ) (2023-04-05T07:28:33Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳(メタデータ) (2022-11-29T17:28:31Z) - Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。
実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-10-07T02:12:34Z) - FreeREA: Training-Free Evolution-based Architecture Search [17.202375422110553]
FreeREAは、トレーニングなしメトリクスの最適化組み合わせを利用してアーキテクチャをランク付けする、独自のセルベースの進化NASアルゴリズムである。
本実験はNAS-Bench-101とNATS-Benchの共通ベンチマークを用いて,フリーレアがモデル自動設計のための高速で効率的かつ効果的な探索手法であることを実証した。
論文 参考訳(メタデータ) (2022-06-17T11:16:28Z) - An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development [4.940941112226529]
本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。
提案フレームワークは,ネットワーク機能保存変換操作,強化学習(RL)に基づくネットワーク変換制御,ネットワークスクリーニングの3つの主要コンポーネントを含む。
提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
論文 参考訳(メタデータ) (2022-03-25T10:36:27Z) - PowerPlanningDL: Reliability-Aware Framework for On-Chip Power Grid
Design using Deep Learning [3.8398578030920425]
本稿では,電力グリッドネットワークの初期設計を概ね予測するために,Deep Learning(DL)ベースのフレームワークを提案する。
提案したフレームワークは、反復的な設計手順を減らし、全体の設計サイクルを高速化する。
その結果,予測電力グリッドの設計は最小限の予測誤差で元の設計に近いことがわかった。
論文 参考訳(メタデータ) (2020-05-04T11:01:17Z)
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。