文献

J-GLOBAL ID：201602288269214456   整理番号：16A1067290

機械学習を通したDRAM故障の特性化の改善【Powered by NICT】

Improving DRAM Fault Characterization through Machine Learning

著者 (8件)： Baseman Elisabeth ,  DeBardeleben Nathan ,  Ferreira Kurt ,  Levy Scott ,  Raasch Steven ,  Sridharan Vilas ,  Siddiqua Taniya ,  Guan Qiang
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： dsn-w  ページ： 250-253  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： 高性能コンピューティングシステムは,規模と複雑さで成長し続けているので,故障と誤差の研究は将来のシステムと低減スキームの設計に重要である。システムDRAMにおける故障モードはメモリ信頼性のしばしばinvestigated重要な側面である。電流方式は,適切な分類のためのオフライン分析を必要とするが,現在の最先端の軽減技術が,最適性能のための正確なオンライン予測を必要とする。本研究では,著者らは二リーダシップクラススーパーコンピューティング施設からDRAM故障モードの分類におけるオンライン機械学習に基づくアプローチの予測性能を調べた。著者らの結果は,専門知識に基づく現在のルールベースアプローチを用いたこのオンラインアプローチの予測性能を比較し,12%予測性能改善を見出した。も予測性能の7%の改善を達成するために異種計算システムからのトレーニングデータを用いて予測性能を評価することにより,分類器の普遍性を調べた。著者らの研究は,このオンライン学習技術の批判的分析を提供し,将来のシステムの信頼性を扱うためのベストプラクティスへの情報提供に役立てるのにシステム設計者に有用である。Copyright 2016 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： *故障 ,  故障モード ,  普遍性 ,  *キャラクタリゼーション ,  システム設計 ,  *機械学習 ,  計算機システム ,  信頼性 ,  *DRAM
準シソーラス用語： ベストプラクティス ,  オンライン学習 ,  予測性能 ,  オンライン ,  複雑性 ,  高性能コンピューティング , 【Automatic Indexing@JST】

分類 (1件)： 電動機  (NB07030U)

タイトルに関連する用語 (4件)： 機械学習 ,  DRAM ,  故障 ,  特性化