論文の概要: ThRIve: Thermally Robust CNN Inference via Low-Rank Adaptation in Heterogeneous PIM Architectures

• arxiv url: http://arxiv.org/abs/2607.17091v1
• Date: Sun, 19 Jul 2026 06:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.353611
• Title: ThRIve: Thermally Robust CNN Inference via Low-Rank Adaptation in Heterogeneous PIM Architectures
• Title（参考訳）: Thrive: 異種PIMアーキテクチャにおける低ランク適応による熱的にロバストなCNN推論
• Abstract要約: Processing-In-Memory(PIM)は、機械学習(ML)ワークロードを高速化するための有望な技術として登場した。 PIMデバイスは熱雑音などの非イデオロギーに悩まされる。 このノイズは、実際のモデル重みに対応するメモリセルの格納値を変更し、推測精度を向上させる。 我々は、低ランク適応を利用して、熱的に堅牢な推論を可能にする雑音認識学習手法ThRIveを紹介する。
• 参考スコア（独自算出の注目度）: 13.754183593794131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Processing-In-Memory (PIM) has emerged as a promising technology for accelerating machine learning (ML) workloads. Specifically, non-volatile memory-based PIM architectures have enabled effective ML acceleration due to their ability to perform energy-efficient matrix-vector multiplication operations. However, these devices suffer from non-idealities such as thermal noise. This noise alters the stored values in the memory cells which correspond to actual model weights, compromising the inference accuracy. In this work, we introduce ThRIve, a noise-aware training methodology that leverages low-rank adaptation to enable thermally robust inference on heterogeneous PIM architectures. ThRIve selectively stores these low-rank noise-aware parameters on a hardware that is less susceptible to thermal noise, enabling robustness against temperature-induced noise variations. ThRIve mitigates the effects of thermal-noise and prevent the drop in inference accuracy across the entire operating temperature range. Experimental results demonstrate that ThRIve-enabled architectures maintain consistent inference accuracy, with the mean accuracy staying within 2% of the ideal (i.e., noise-free) accuracy, and the variation in accuracy across the entire operating temperature range remaining within 2% of the mean. The proposed methodology achieves accuracy and robustness comparable to thermally-resilient Static Random-Access Memory (SRAM)-based PIM systems, while delivering up to 5.4x reduction in energy-delay product (EDP) during CNN model inferencing.
• Abstract（参考訳）: Processing-In-Memory(PIM)は、機械学習(ML)ワークロードを高速化するための有望な技術として登場した。 具体的には、非揮発性メモリベースのPIMアーキテクチャは、エネルギー効率のよい行列ベクトル乗算演算を行うため、効果的なMLアクセラレーションを実現している。 しかし、これらのデバイスは熱雑音などの非理想性に悩まされている。 このノイズは、実際のモデル重みに対応するメモリセルの格納値を変更し、推測精度を向上させる。 本研究では、低ランク適応を利用して異種PIMアーキテクチャの熱的ロバスト推論を可能にする雑音認識学習手法ThRIveを紹介する。 Thriveは、これらの低ランクノイズ認識パラメータを、熱ノイズの影響を受けにくいハードウェアに選択的に格納し、温度誘起ノイズ変動に対する堅牢性を実現する。 Thriveは、サーマルノイズの影響を緩和し、運転温度範囲全体の推論精度の低下を防ぐ。 実験により、Thrive対応アーキテクチャは、平均精度が理想値(ノイズフリー)の2%以内にとどまり、平均値の2%以内の動作温度範囲全体での精度が変化していることが示されている。 提案手法は、CNNモデル推論中にエネルギー遅延生成物(EDP)の最大5.4倍の低減を実現しつつ、熱耐性の静的ランダムアクシスメモリ(SRAM)ベースのPIMシステムに匹敵する精度と堅牢性を実現する。

関連論文リスト

• Beyond Noise: Understanding and Overcoming Temperature Effects in Analog DNN Inference [4.663767304979158]
  アナログ加速器は、物理的成分の変化によって生じるノイズや非イデオロギーに影響を受けやすい。 温度による劣化は主にノイズ単独ではなく、系統的な非イデオロギーによって引き起こされることを示す。 ノイズアウェアトレーニングは堅牢性を改善する一方、ハードウェア・イン・ザ・ループトレーニングと温度校正は様々な温度条件で最も高い精度の保持を提供する。
  論文  参考訳（メタデータ） (2026-09-14T13:17:13Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Kinetics of sliding-window quantum error correction [39.34750401159749]
  実時間デコードの実装であるスライディングウインドウデコーディング(SWD)の動力学について検討する。 SWDは、ノイズ症候群情報の時間的に局所的なウィンドウに作用し、非ゼロレートで修正を不可逆的にコミットする。 本稿では,$mathbbZ$チャージされた点粒子がパリティ保存反応および拡散を受ける運動過程の観点からSWDを効果的に記述する。
  論文  参考訳（メタデータ） (2026-08-10T18:00:26Z)
• TIDY: Thermal Infrared Image Denoising via Wavelet Domain Entropy and Directional Stripe Index [7.740295165323681]
  熱赤外イメージング(TIR)は、低光度視覚劣化下での堅牢な知覚能力のために、フィールドロボティクスにおいて一般的な選択である。 ダウンストリーム推定を破る、厳密で固定されたパターンのノイズに悩まされる。 本稿では、実際の清浄なTIRデータに基づいて訓練された軽量ウェーブレット領域デノイザであるTIDYを提案する。
  論文  参考訳（メタデータ） (2026-06-18T05:42:50Z)
• Device-Agnostic Microwave Noise Metrology for Nonlinear Cryogenic Quantum Devices [33.608063888064514]
  近接量子制限信号処理が可能なマイクロ波デバイスは、固体量子技術のツールボックスに不可欠なコンポーネントである。 増幅器、ミキサー、アイソレータ等による単一光子マイクロ波信号の操作と読み出しは、信頼性の高い動作を保証するために、信号整合性の観点から厳しい要件を満たす必要がある。 このことは、ポートの参照平面ですべての関連するメリットの値が表現されなければならないため、その特徴付けに課題を生じさせる。
  論文  参考訳（メタデータ） (2026-05-27T17:57:07Z)
• Physics-Informed Machine Learning for Pouch Cell Temperature Estimation [5.435523531334183]
  本稿では,定常状態の温度分布を効率的に推定するための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、高忠実度予測を可能にする。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-16T02:58:10Z)
• Optimal multiparameter quantum estimation in accelerating Unruh-DeWitt detectors [0.09236074230806578]
  本研究では、一様加速検出器のバイパートライト系における相対論的量子温度測定の最終的な精度限界について検討する。 消音ノイズは, 純粋に強調するメカニズムよりも, より高精度なノイズ損失をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-03-08T01:35:45Z)
• Evaluating Temperature Scaling Calibration Effectiveness for CNNs under Varying Noise Levels in Brain Tumour Detection [0.18472148461613158]
  我々は、カスタムCNNを開発し、それを統合された脳MRIデータセットでトレーニングする。 実世界の不確実性をシミュレートするために,ガウス,ポアソン,ソルト&ペッパー,スペックル,ユニフォームの5種類の画像ノイズが導入された。 その結果、TSは分類精度を低下させることなく、全ての雑音条件下でECEとNLLを著しく低下させることが示された。
  論文  参考訳（メタデータ） (2025-09-29T15:46:23Z)
• Dataset Distillation with Neural Characteristic Function: A Minmax Perspective [39.77640775591437]
  minmax最適化問題としてデータセット蒸留を再構成し、ニューラル特徴関数離散性(NCFD)を導入する。 NCFDは分布差を測定するための包括的で理論的に基礎付けられた計量である。 提案手法は,低解像度および高解像度のデータセット上での最先端手法よりも高い性能向上を実現する。
  論文  参考訳（メタデータ） (2025-02-28T02:14:55Z)
• PatchRefiner V2: Fast and Lightweight Real-Domain High-Resolution Metric Depth Estimation [38.71875790942604]
  PRV2はUnrealStereo4Kの精度と速度の両方で最先端の深さ推定手法より優れている。 また、CityScape、ScanNet++、KITTIといった現実世界のデータセットでは、奥行き境界線が改善されている。
  論文  参考訳（メタデータ） (2025-01-02T07:41:27Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels [38.84835238599221]
  流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:28:07Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Dynamic Precision Analog Computing for Neural Networks [0.7701333337093469]
  本稿では,演算を繰り返して平均化することにより,様々な精度レベルをサポートするアナログコンピューティングアーキテクチャの拡張を提案する。 動的精度を使用することで、Resnet50などのコンピュータビジョンモデルでは最大89%、BERTなどの自然言語処理モデルでは24%のエネルギー消費が削減されます。
  論文  参考訳（メタデータ） (2021-02-12T06:56:56Z)

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。