文献

J-GLOBAL ID：201702273314547541   整理番号：17A0143124

再構成可能ニューラルネットワーク加速器の初期研究【Powered by NICT】

Initial Study of Reconfigurable Neural Network Accelerators

著者 (6件)： Ohba Momoka ,  Shindo Satoshi ,  Miwa Shinobu ,  Tsumura Tomoaki ,  Yamaki Hayato ,  Honda Hiroki
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： CANDAR  ページ： 707-709  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ニューラルネットワークやNNは画像処理と音声認識のような多くの機械学習応用のための広く用いられている。CPUおよびGPUなどの汎用プロセッサはNNを計算するための非効率的なエネルギーから,NN(ニューラルネットワーク加速器またはQTAIM)のための特定用途向けハードウェアアクセラレータは,エネルギー効率を改善するために提案した。しかし,既存のQTAIMは特定のNNを計算するためにはあまりにもカスタマイズされた,NNモデルや学習アルゴリズムを変化させることができない。この制限は,機械学習研究者を防ぐQTAIMを利用することから,著者らは,任意のNNを計算する能力を有していることを汎用NNAを開発している。NNAは種々のカスタム論理,再構成可能なNNAまたはRNNAと呼ばれるに加えて再構成可能な論理を装備している。RNNAはNN計算のための調整されるが,エンドユーザが自分の欲するNNを計算するためのハードウェアをカスタマイズを可能にした。RNNAアーキテクチャを紹介し,サイクルレベルシミュレータを用いたRNNAの性能解析を報告した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 機械学習 ,  エネルギー効率 ,  ハードウェア ,  演算プロセッサ ,  カスタム化 ,  画像処理 ,  計算機アーキテクチャ ,  *ニューラルネットワーク ,  学習アルゴリズム ,  音声認識 ,  性能分析 ,  *加速器
準シソーラス用語： エンドユーザ ,  ハードウェアアクセラレータ ,  *再構成可能性 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 再構成可能 ,  ニューラルネットワーク ,  加速器 ,  初期 ,  研究