Fugu-MT 論文翻訳(概要): qGAMMA: A Framework for Optimal DNN Mapping on Multi-Precision Accelerators

論文の概要: qGAMMA: A Framework for Optimal DNN Mapping on Multi-Precision Accelerators

arxiv url: http://arxiv.org/abs/2610.23222v1
Date: Fri, 16 Oct 2026 09:54:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-20 00:56:07.858871
Title: qGAMMA: A Framework for Optimal DNN Mapping on Multi-Precision Accelerators
Title（参考訳）: qGAMMA:マルチ精度加速器上での最適DNNマッピングのためのフレームワーク
Abstract要約: qGAMMAは、DNN(Mix-precision Deep Neural Network)モデルの汎用空間加速器へのマッピングを探索し、最適化するためのフレームワークである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work describes qGAMMA, a flexible framework for exploring and optimizing the mapping of mixed-precision Deep Neural Network (DNN) models onto general-purpose spatial accelerators that support a range of fixed- and floating-point precisions. qGAMMA navigates the design space using a domain-specific genetic algorithm and an analytical performance model based on hardware synthesis results. The framework identifies the optimal mapping and accelerator configuration that minimizes target metrics. Extensive evaluations across DNN workloads show that qGAMMA offers valuable insights for designing mixed-precision applications, enabling better trade-offs between performance, energy efficiency, and resource utilization.
Abstract（参考訳）: この研究は、様々な固定点と浮動小数点の精度をサポートする汎用空間加速器への混合精度ディープニューラルネットワーク(DNN)モデルのマッピングを探索し最適化するための柔軟なフレームワークであるqGAMMAについて説明する。 qGAMMAは、ハードウェア合成結果に基づいて、ドメイン固有の遺伝的アルゴリズムと分析性能モデルを用いて設計空間をナビゲートする。このフレームワークは、ターゲットメトリクスを最小化する最適なマッピングとアクセラレータ構成を特定する。 DNNワークロード全体にわたる大規模な評価によると、qGAMMAは、混合精度アプリケーションを設計するための貴重な洞察を提供し、パフォーマンス、エネルギー効率、リソース利用のトレードオフを改善することができる。

関連論文リスト

SEADA: An efficient methodology for optimizing mixed-precision DNNs on multi-precision spatial architectures [0.0]
ディープニューラルネットワーク(DNN)では、レイテンシ、エネルギー消費、メモリフットプリントを削減する効果的なアプローチとして、混合精度計算が導入されている。混合精度ネットワークを多精度空間アーキテクチャに効率的にマッピングすることはいくつかの課題をもたらす。この研究は、これらの課題に対処するために設計された効率的な方法論であるSEADAを提示する。
論文参考訳（メタデータ） (2026-06-26T09:27:19Z)
A Parameterizable Convolution Accelerator for Embedded Deep Learning Applications [2.4923006485141284]
リアルタイム組み込みディープラーニング(DL)アプリケーションは、レイテンシ、消費電力、面積、コストに関する複数の制約を課している。本研究は,CNNアクセラレータを高レベル合成(HLS)ツールを用いて記述するハードウェア・ソフトウェア(HW/SW)協調設計手法を提案する。
論文参考訳（メタデータ） (2026-02-03T22:24:28Z)
MetaML-Pro: Cross-Stage Design Flow Automation for Efficient Deep Learning Acceleration [8.43012094714496]
本稿では、リソース制約のあるハードウェア上にディープニューラルネットワーク(DNN)をデプロイするための最適化戦略の体系化と自動化のための統一的なフレームワークを提案する。提案手法は,2つの重要な問題に対処する: (i) カスタム最適化戦略のエンコードと (ii) クロスステージ最適化探索のエナリングである。
論文参考訳（メタデータ） (2025-02-09T11:02:06Z)
Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文参考訳（メタデータ） (2023-11-05T12:03:58Z)
Combining Multi-Objective Bayesian Optimization with Reinforcement Learning for TinyML [4.2019872499238256]
多目的ベイズ最適化(MOBOpt)に基づくマイクロコントローラ(TinyML)にディープニューラルネットワークをデプロイするための新しい戦略を提案する。本手法は,DNNの予測精度,メモリ要求,計算複雑性のトレードオフを効率的に検出することを目的としている。
論文参考訳（メタデータ） (2023-05-23T14:31:52Z)
An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文参考訳（メタデータ） (2022-10-27T01:58:10Z)
A Graph Deep Learning Framework for High-Level Synthesis Design Space Exploration [11.154086943903696]
High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
論文参考訳（メタデータ） (2021-11-29T18:17:45Z)
Automatic Mapping of the Best-Suited DNN Pruning Schemes for Real-Time Mobile Acceleration [71.80326738527734]
本稿では,汎用的,きめ細かな構造化プルーニング手法とコンパイラの最適化を提案する。提案手法は,より微細な構造化プルーニング手法とともに,最先端のDNN最適化フレームワークよりも優れていることを示す。
論文参考訳（メタデータ） (2021-11-22T23:53:14Z)
Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文参考訳（メタデータ） (2021-01-02T15:21:08Z)
On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文参考訳（メタデータ） (2020-11-07T19:03:04Z)

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。