論文の概要: RISC-V and machine learning: a survey

• arxiv url: http://arxiv.org/abs/2609.20677v1
• Date: Thu, 17 Sep 2026 16:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.37919
• Title: RISC-V and machine learning: a survey
• Title（参考訳）: RISC-Vと機械学習
• Abstract要約: 本調査では,機械学習アプリケーションにおけるRISC-V ISAの現状について検討する。 この分析は、学術的および商業的な実装、ソフトウェアフレームワーク、および現実世界のアプリケーションに関するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The intersection of open-source processor architectures and machine learning is driving the demand for customizable, efficient, and accessible hardware. This survey examines the state of the RISC-V ISA in machine learning applications, analyzing current capabilities, challenges, and future directions based on recent research. The analysis covers academic and commercial implementations, software frameworks, and real-world applications. The RISC-V machine learning ecosystem is evaluated, from instruction set extensions and core implementations to compiler optimizations and deployment strategies. Key contributions include a unified taxonomy of RISC-V ML implementations, a comparative analysis of performance and design trade-offs, an evaluation of software toolchain maturity, and the identification of emerging trends in instruction set extensions and specialized accelerators. Findings reveal progress in energy efficiency, specialized instruction development, and framework integration, while highlighting challenges in standardization, verification complexity, and ecosystem fragmentation. The analysis proposes four research directions to address current limitations: specialized neural processing extensions, adaptive and modular processor architectures, security frameworks, and energy-efficient multi-domain architectures. These directions provide a roadmap for advancing RISC-V as a foundational platform for next-generation machine learning systems.
• Abstract（参考訳）: オープンソースのプロセッサアーキテクチャと機械学習の交差は、カスタマイズ可能で効率的でアクセスしやすいハードウェアへの需要を加速させている。 本調査は,機械学習アプリケーションにおけるRISC-V ISAの現状を調査し,最近の研究に基づく現在の能力,課題,今後の方向性を分析した。 この分析は、学術的および商業的な実装、ソフトウェアフレームワーク、および現実世界のアプリケーションに関するものである。 RISC-Vの機械学習エコシステムは、命令セット拡張とコア実装からコンパイラの最適化やデプロイメント戦略まで評価されている。 主な貢献は、RISC-V ML実装の統一分類、パフォーマンスと設計のトレードオフの比較分析、ソフトウェアツールチェーンの成熟度の評価、命令セット拡張と特別なアクセラレータの出現傾向の識別である。 発見は、エネルギー効率、特殊命令開発、フレームワーク統合の進歩を明らかにし、標準化、検証の複雑さ、エコシステムの断片化の課題を強調している。 この分析は、現在の制限に対処するための4つの研究方向を提案する: 特殊ニューラルプロセッシング拡張、適応型およびモジュール型プロセッサアーキテクチャ、セキュリティフレームワーク、エネルギー効率のよいマルチドメインアーキテクチャ。 これらの方向は、次世代機械学習システムの基盤プラットフォームとしてRISC-Vを前進させるロードマップを提供する。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey on (M)LLM-Based GUI Agents [62.57899977018417]
  グラフィカルユーザインタフェース (GUI) エージェントは、人間とコンピュータのインタラクションにおいて、トランスフォーメーションパラダイムとして登場した。 大規模言語モデルとマルチモーダル学習の最近の進歩は、デスクトップ、モバイル、Webプラットフォーム全体でGUI自動化に革命をもたらした。 本調査では, 正確な要素位置決定, 効果的な知識検索, 長期計画, 安全に配慮した実行制御など, 重要な技術的課題を明らかにする。
  論文  参考訳（メタデータ） (2025-03-27T17:58:31Z)
• Full-stack evaluation of Machine Learning inference workloads for RISC-V systems [0.2621434923709917]
  本研究は,オープンソースのアーキテクチャシミュレータであるgem5を用いて,RISC-Vアーキテクチャ上での機械学習ワークロードの性能を評価する。 MLIR(Multi-Level Intermediate Representation)に基づいたオープンソースのコンパイルツールチェーンを活用することで、ディープラーニング推論ワークロードに特化したベンチマーク結果が提示される。
  論文  参考訳（メタデータ） (2024-05-24T09:24:46Z)

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。