論文の概要: Accelerated Digital Twin Learning for Edge AI: A Comparison of FPGA and Mobile GPU

• arxiv url: http://arxiv.org/abs/2512.17941v1
• Date: Sat, 13 Dec 2025 05:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.10234
• Title: Accelerated Digital Twin Learning for Edge AI: A Comparison of FPGA and Mobile GPU
• Title（参考訳）: エッジAIのための加速デジタルツインラーニング:FPGAとモバイルGPUの比較
• Authors: Bin Xu, Ayan Banerjee, Midhat Urooj, Sandeep K. S. Gupta,
• Abstract要約: 本稿では,FPGAなどの再構成可能なハードウェア上での高速化を実現するための一般的なDT学習フレームワークを提案する。 DTガイドによる1型糖尿病の合成データ生成法と冠動脈疾患の予防的検出法について検討した。
• 参考スコア（独自算出の注目度）: 4.116096531149171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital twins (DTs) can enable precision healthcare by continually learning a mathematical representation of patient-specific dynamics. However, mission critical healthcare applications require fast, resource-efficient DT learning, which is often infeasible with existing model recovery (MR) techniques due to their reliance on iterative solvers and high compute/memory demands. In this paper, we present a general DT learning framework that is amenable to acceleration on reconfigurable hardware such as FPGAs, enabling substantial speedup and energy efficiency. We compare our FPGA-based implementation with a multi-processing implementation in mobile GPU, which is a popular choice for AI in edge devices. Further, we compare both edge AI implementations with cloud GPU baseline. Specifically, our FPGA implementation achieves an 8.8x improvement in \text{performance-per-watt} for the MR task, a 28.5x reduction in DRAM footprint, and a 1.67x runtime speedup compared to cloud GPU baselines. On the other hand, mobile GPU achieves 2x better performance per watts but has 2x increase in runtime and 10x more DRAM footprint than FPGA. We show the usage of this technique in DT guided synthetic data generation for Type 1 Diabetes and proactive coronary artery disease detection.
• Abstract（参考訳）: デジタル双生児(DT)は、患者固有の力学の数学的表現を継続的に学習することにより、精度の高いヘルスケアを可能にする。 しかし、ミッションクリティカルヘルスケアアプリケーションは高速でリソース効率のよいDT学習を必要としており、反復的な解決と高い計算/メモリ要求に依存するため、既存のモデルリカバリ(MR)技術では実現不可能であることが多い。 本稿では,FPGAなどの再構成可能なハードウェア上での高速化を実現するための一般的なDT学習フレームワークを提案する。 FPGAベースの実装とモバイルGPUのマルチプロセッサ実装を比較した。 さらに、エッジAI実装とクラウドGPUベースラインを比較します。 具体的には、MRタスクに対するtext{ Performance-per-watt}の8.8倍の改善、DRAMフットプリントの28.5倍の削減、クラウドGPUベースラインと比較して1.67倍のランタイム高速化を実現している。 一方、モバイルGPUはワット毎のパフォーマンスは2倍向上するが、ランタイムは2倍向上し、FPGAよりも10倍のDRAMフットプリントを実現している。 DTガイドによる1型糖尿病の合成データ生成法と冠動脈疾患の予防的検出法について検討した。

関連論文リスト

• The Role of High-Performance GPU Resources in Large Language Model Based Radiology Imaging Diagnosis [0.0]
  大規模言語モデル(LLM)は放射線学に急速に適用され、自動画像解釈とレポート生成タスクが実現されている。 高性能なグラフィカル処理ユニット(GPU)は、画像データ上で大きなLLMを実行するために必要な計算量とメモリスループットを提供する。
  論文  参考訳（メタデータ） (2025-09-19T18:13:12Z)
• Quasar-ViT: Hardware-Oriented Quantization-Aware Architecture Search for Vision Transformers [56.37495946212932]
  視覚変換器(ViT)は、畳み込みニューラルネットワーク(CNN)と比較して、コンピュータビジョンタスクにおいて優れた精度を示す。 ハードウェア指向の量子化対応アーキテクチャ検索フレームワークであるQuasar-ViTを提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:35:46Z)
• Understanding the Potential of FPGA-Based Spatial Acceleration for Large Language Model Inference [11.614722231006695]
  数十億のパラメータを誇った大規模言語モデル(LLM)は、推論ワークロードの効率的なデプロイに対する大きな需要を生み出している。 本稿では,FPGA上でのLLM推論におけるモデル固有空間加速度の実現可能性と可能性について検討する。
  論文  参考訳（メタデータ） (2023-12-23T04:27:06Z)
• FULL-W2V: Fully Exploiting Data Reuse for W2V on GPU-Accelerated Systems [5.572152653851948]
  FULL-W2Vは、W2Vアルゴリズムにおけるデータ再利用の機会を利用して、低メモリレベルへのアクセスを減らし、時間的局所性を改善する。 我々のプロトタイプ実装では、Nvidia Pascal P100からVolta V100への移植時に2.97倍の高速化を実現し、同じ埋め込み品質のV100カードでは、最先端の5.72倍の性能を発揮する。
  論文  参考訳（メタデータ） (2023-12-12T21:22:07Z)
• INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
  計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。 InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。 1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
  論文  参考訳（メタデータ） (2023-08-11T04:24:39Z)
• Design optimization for high-performance computing using FPGA [0.0]
  我々は、CIFARでトレーニングされたResNet20を使用して、Tensil AIのオープンソース推論アクセラレーターを最大性能に最適化する。 CIFARテストデータセットを実行すると、元の32ビット浮動小数点から丸めると、ほとんど精度が低下する。 提案した加速器は、100MHzで5.21Wのオンチップ消費電力を持つ21.12ギガ/秒(GOP/s)のスループットを実現する。
  論文  参考訳（メタデータ） (2023-04-24T22:20:42Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Adaptable Butterfly Accelerator for Attention-based NNs via Hardware and Algorithm Co-design [66.39546326221176]
  多くのAIタスクにおいて、注意に基づくニューラルネットワークが普及している。 注意機構とフィードフォワードネットワーク(FFN)の使用は、過剰な計算とメモリ資源を必要とする。 本稿では,注目機構とFFNの両方を近似するために,バタフライの分散パターンを統一したハードウェアフレンドリーな変種を提案する。
  論文  参考訳（メタデータ） (2022-09-20T09:28:26Z)
• EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction [67.11722682878722]
  この研究は、新しいマルチスケール線形注意を持つ高解像度ビジョンモデルのファミリーであるEfficientViTを提示する。 マルチスケール線形注意は,グローバルな受容場とマルチスケール学習を実現する。 EfficientViTは従来の最先端モデルよりも優れたパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2022-05-29T20:07:23Z)

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。