論文の概要: Reinforcement learning for hardware acceleration and system-level optimization on FPGA and integrated-circuit platforms: A survey

• arxiv url: http://arxiv.org/abs/2610.28699v1
• Date: Tue, 20 Oct 2026 11:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.103414
• Title: Reinforcement learning for hardware acceleration and system-level optimization on FPGA and integrated-circuit platforms: A survey
• Title（参考訳）: FPGAおよび集積回路プラットフォーム上でのハードウェアアクセラレーションとシステムレベルの最適化のための強化学習:サーベイ
• Abstract要約: 強化学習(Reinforcement Learning, RL)は、組み込み、エッジ、異種コンピューティングシステムにおいて適応的で自律的な意思決定を可能にする。 FPGAとICは低レイテンシ、エネルギー効率、RLデプロイメントのためのアーキテクチャの柔軟性を提供する。 本稿ではFPGAおよびICプラットフォームにおけるRL実装に関する100以上の研究を概観する。
• 参考スコア（独自算出の注目度）: 1.4955291718992687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) enables adaptive and autonomous decision-making in embedded, edge, and heterogeneous computing systems. Field-programmable gate arrays (FPGAs) and integrated circuits (ICs) offer low latency, energy efficiency, and architectural flexibility for RL deployment, while introducing challenges in resource constraints, implementation complexity, and hardware-algorithm co-design. This review surveys more than 100 studies on RL implementations across FPGA and IC platforms, emphasizing architectures, implementation strategies, performance evaluation, and applications. The literature is organized by RL family, including model-based Markov decision processes, classical value-based methods, deep RL, actor-critic, policy-gradient, and multi-agent approaches. We further classify studies by abstraction level, hardware realization strategy, and application domain, examining how RL algorithms map onto reconfigurable and fixed hardware. Unlike surveys restricted to particular algorithms or platforms, this work provides a unified analysis of FPGA and IC implementations, covering acceleration, reconfigurable architectures, energy-aware control, and system-level optimization. Comparative assessments consider resource utilization, latency, throughput, power consumption, and reported performance gains. Finally, we identify recurring architectural patterns, practical limitations, open challenges, and research directions for efficient RL-driven hardware systems. The survey offers a consolidated reference for researchers developing and evaluating RL solutions on specialized hardware.
• Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、組み込み、エッジ、異種コンピューティングシステムにおいて適応的で自律的な意思決定を可能にする。 FPGA(Field- Programmable gate array)とIC(Integrated circuit)は、低レイテンシ、省エネ、アーキテクチャの柔軟性を提供すると同時に、リソース制約、実装の複雑さ、ハードウェア・アルゴリズムの共同設計といった課題も導入している。 本稿では,FPGA および IC プラットフォーム上での RL 実装に関する100 以上の研究,アーキテクチャ,実装戦略,性能評価,アプリケーションについて概説する。 文献は、モデルベースのマルコフ決定プロセス、古典的な価値に基づく方法、深いRL、アクター批判、ポリシーのグラディエント、マルチエージェントアプローチを含むRLファミリーによって構成されている。 我々は、RLアルゴリズムが再構成可能で固定されたハードウェアにどのようにマッピングされるかを調べるため、抽象レベル、ハードウェア実現戦略、アプリケーションドメインによる研究をさらに分類する。 特定のアルゴリズムやプラットフォームに限定されたサーベイとは異なり、この研究はFPGAとICの実装を統一的に分析し、加速、再構成可能なアーキテクチャ、エネルギー認識制御、システムレベルの最適化をカバーしている。 比較評価では、リソース利用率、レイテンシ、スループット、消費電力、報告されたパフォーマンス向上が考慮されている。 最後に, 繰り返し発生するアーキテクチャパターン, 実用的限界, オープン課題, および効率的なRL駆動ハードウェアシステム研究の方向性を同定する。 この調査は、特殊なハードウェア上でRLソリューションを開発し評価する研究者に、統合されたリファレンスを提供する。

関連論文リスト

• A Systematic Review and Taxonomy of Reinforcement Learning-Model Predictive Control Integration for Linear Systems [0.9236074230806578]
  The integration of Model Predictive Control (MPC) and Reinforcement Learning (RL) has appeared as a promising paradigm for constrained decision-making and adapt control。 MPCは構造化最適化、明示的な制約処理、確立された安定性ツールを提供するが、RLはデータ駆動型適応と性能改善を提供する。 RL-MPC統合の研究の急速な発展にもかかわらず、文献は断片化されている。
  論文  参考訳（メタデータ） (2026-04-22T19:22:29Z)
• A Technical Survey of Reinforcement Learning Techniques for Large Language Models [33.38582292895673]
  大規模言語モデル(LLM)の整合・拡張のための変換的アプローチとして強化学習(RL)が登場している。 RLHFはアライメントにおいて支配的であり、RLVRのような結果ベースのRLは段階的推論を著しく改善する。 報酬のハッキング、計算コスト、スケーラブルなフィードバック収集といった永続的な課題は、継続的なイノベーションの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-07-05T19:13:00Z)
• FPGA-based Acceleration for Convolutional Neural Networks: A Comprehensive Review [3.7810245817090906]
  畳み込みニューラルネットワーク(CNN)は、ディープラーニングの基本であり、さまざまなドメインにわたるアプリケーションを駆動する。 本稿では、CNN用に特別に設計されたFPGAベースのハードウェアアクセラレータの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2025-05-04T04:03:37Z)
• 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 Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and Research Opportunities [63.258517066104446]
  進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。 本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。 RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-25T15:06:05Z)
• A Neuromorphic Architecture for Reinforcement Learning from Real-Valued Observations [0.34410212782758043]
  強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。 本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-06T12:33:34Z)

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。