論文の概要: LocalTrain: Integer-Only Local Learning for Energy-Efficient CNN Training on Edge FPGAs

• arxiv url: http://arxiv.org/abs/2610.17099v1
• Date: Mon, 12 Oct 2026 16:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:16:43.872778
• Title: LocalTrain: Integer-Only Local Learning for Energy-Efficient CNN Training on Edge FPGAs
• Title（参考訳）: LocalTrain: エッジFPGA上でのエネルギー効率の高いCNNトレーニングのための整数のみのローカル学習
• Abstract要約: 共用整数行列エンジンを用いてCNNとその局所補助分類器を訓練するFPGAシステムを提案する。 200MHzでは、KV260の試作機はCIFAR-10で76.57%、SVHNで91.85%、平均モジュールパワーは4.20Wである。
• 参考スコア（独自算出の注目度）: 24.116997757752998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local learning reduces cross-layer training dependencies, but an efficient accelerator must still retain operands, accumulate gradients, and select quantization scales. We present an FPGA system that trains a CNN and its regional auxiliary classifiers using a shared integer matrix engine. Compact errors are expanded on chip, gradients are folded tile by tile, and historical scales permit direct output conversion. At 200 MHz, the KV260 prototype achieves 76.57% accuracy on CIFAR-10 and 91.85% on SVHN at approximately 4.20 W mean module power. Effective matrix throughput is 31.22 and 31.57 GMAC/s, respectively. Against the same integer method on Jetson Orin Nano, measured training energy is 40.4% and 42.1% lower, with $1.86\times$ and $1.82\times$ longer runtime; measurements use the respective platform power domains. Selected state checks and matching complete-run prediction counts support functional agreement with the software reference.
• Abstract（参考訳）: 局所学習は、階層間のトレーニング依存を減らすが、効率的なアクセラレータはオペランドを保持し、勾配を蓄積し、量子化スケールを選択する必要がある。 共用整数行列エンジンを用いてCNNとその局所補助分類器を訓練するFPGAシステムを提案する。 コンパクトなエラーはチップ上で拡張され、勾配はタイルによって折り畳まれ、歴史的スケールでは直接出力変換が可能である。 200MHzでは、KV260の試作機はCIFAR-10で76.57%、SVHNで91.85%、平均モジュールパワーは4.20Wである。 有効行列スループットは、それぞれ31.22 GMAC/sと31.57 GMAC/sである。 同じJetson Orin Nanoの整数法に対して、測定されたトレーニングエネルギーは40.4%と42.1%低く、1.86\times$と1.82\times$より長いランタイムで、それぞれのプラットフォームパワードメインを使用する。 選択された状態チェックと完全実行予測は、ソフトウェア参照との関数的一致をサポートする。

関連論文リスト

• SymbolicLight V2: Hybrid Neuromorphic Architecture and Sparse Execution for Low-Energy Language Inference [8.419155861590548]
  SymbolicLight V2はスパースイベント計算と連続状態処理を組み合わせる。 デジタル固定点演算を用いたAlveo U50C FPGA上でSybolicLight V2を実装した。 ROCK 5Tの4つのCortex-A76コアでは、完全なリクエストは9.80Wで65.4トークン/秒、アダプタのAC入力で生成されたトークン毎に0.151Jに達する。
  論文  参考訳（メタデータ） (2026-09-09T06:18:49Z)
• Bit-Accurate FPGA Evaluation of Learned Feature Gating in a Fixed-Point Fourier-Feature Automatic Modulation Classifier [0.0]
  この研究は、24のスパースDFTエネルギー特性、8の位相/統計特性、32から128から11の多層パーセプトロンを用いて、コンパクトな固定点分類におけるトレードオフを測定する。 ゲーテッドモデルとアンゲートモデルは、トレーニング後の量子化(PTQ)と量子化対応トレーニング(QAT)でトレーニングされる。
  論文  参考訳（メタデータ） (2026-07-27T15:36:06Z)
• CARMEN: CORDIC-Accelerated Resource-Efficient Multi-Precision Inference Engine for Deep Learning [0.13048920509133807]
  本稿では,資源効率の高いディープラーニング推論のための実行時適応型CORDIC高速化多精度ベクトルエンジンを提案する。 このアーキテクチャは、低リソースの繰り返しCORDICベースのMACユニットと、時間多重化マルチアクティベーション関数ブロックを統合している。 PynqZ2上のFPGA配置は、リアルタイムオブジェクト検出のために0.03Wで154.6msのレイテンシを検証する。
  論文  参考訳（メタデータ） (2026-05-07T19:25:21Z)
• Speeding Up MACE: Low-Precision Tricks for Equivarient Force Fields [51.95157731126864]
  機械学習力場は高い計算コストで正確な分子動力学(MD)を提供することができる。 この論文は、計算ボトルネックを特定し、低精度の実行ポリシーを評価することで、MACEを安価かつ高速にすることを目的としている。
  論文  参考訳（メタデータ） (2025-10-23T14:02:34Z)
• Gated Linear Attention Transformers with Hardware-Efficient Training [60.670102007737476]
  本研究は、並列化性に対してメモリ移動をオフにする線形注意のためのハードウェア効率のアルゴリズムについて述べる。 次に、このアルゴリズムを、データ依存ゲートを用いたより表現力豊かな線形アテンションに一般化する。 変圧器の標準アテンション層に代えて使用すると、結果として生じるゲート状リニアアテンショントランスが競合的に動作することが分かる。
  論文  参考訳（メタデータ） (2023-12-11T18:51:59Z)
• RedMule: A Mixed-Precision Matrix-Matrix Operation Engine for Flexible and Energy-Efficient On-Chip Linear Algebra and TinyML Training Acceleration [15.869673535117032]
  現在のトレーニングアルゴリズムは、精度とダイナミックレンジの要求を満たすために浮動小数点行列演算に依存している。 RedMulEは、多精度浮動小数点一般行列演算(GEMM-Ops)加速のために考案された、低消費電力の特殊アクセラレータである。 RedMulE は FP16 と FP8 で 58.5 GFLOPS と 117 GFLOPS をそれぞれ達成し、計算要素の配列を99.4% 利用している。
  論文  参考訳（メタデータ） (2023-01-10T11:07:16Z)
• FracTrain: Fractionally Squeezing Bit Savings Both Temporally and Spatially for Efficient DNN Training [62.932299614630985]
  本稿では, アクティベーション, ウェイト, 勾配の精度を徐々に向上させる, プログレッシブ分数量子化を統合したFracTrainを提案する。 FracTrainはDNNトレーニングの計算コストとハードウェア量子化エネルギー/レイテンシを削減し、同等以上の精度(-0.12%+1.87%)を達成する。
  論文  参考訳（メタデータ） (2020-12-24T05:24:10Z)

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。