文献

J-GLOBAL ID：201702276836755728   整理番号：17A0966047

内容アドレス可能メモリを用いたGPGPU上での効率的な神経回路網加速【Powered by NICT】

Efficient neural network acceleration on GPGPU using content addressable memory

著者 (5件)： Imani Mohsen (CSE, UC San Diego, La Jolla, CA 92093, USA) ,  Peroni Daniel (CSE, UC San Diego, La Jolla, CA 92093, USA) ,  Kim Yeseong (CSE, UC San Diego, La Jolla, CA 92093, USA) ,  Rahimi Abbas (EECS, UC Berkeley, Berkeley, CA 94720, USA) ,  Rosing Tajana (CSE, UC San Diego, La Jolla, CA 92093, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： DATE  ページ： 1026-1031  発行年： 2017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： 最近,神経回路網は,画像処理,ビデオセグメンテーション,音声認識,コンピュータビジョンとゲームのための有効なモデルであることが示されている。しかし,高エネルギー計算と低い性能はニューラルネットワークの一次ボトルネックである。本論文では,学習アルゴリズムの計算局所性を利用することにより,NNCAMと呼ばれる特殊化した抵抗最連想メモリブロックを利用した汎用GPU(GPGPU)アーキテクチャにenergy/performance効率的なネットワーク加速法を提案した。NNCAMはニューラルネットワーク運用に対応する高頻度パターンを貯蔵し,計算結果を再利用するための最も類似したパターンを探索する。NNCAM計算効率と精度を改善するために,層に基づく連想更新と選択的近似法を提案した。層に基づく更新は各神経回路網層の頻繁な計算パターンに基づくNNCAM値を充填することによりNNCAMブロックのデータ局所性を改善した。最大の省エネルギーを提供しながら,計算精度の適切なレベルを保証するために,著者らの設計はNNCAMまたはGPGPU浮動小数点ユニット(FPU)のどちらかにニューラルネットワーク運用を適応的に行う。選択的近似が精度に及ぼす影響を考慮することによって神経回路網層の計算を緩和する。評価では,現代のAMD南部島GPUアーキテクチャを持つNNCAMブロックを統合した。実験評価は,強化されたGPGPUは四種類の一般的な畳込みニューラルネットワーク(CNN)上で動作する68%のエネルギー節約と40%高速化をもたらし,許容<2%品質損失を確保できることを示した。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： 省エネルギー ,  局所性 ,  音声認識 ,  畳込み ,  再利用 ,  *神経回路網 ,  コンピュータビジョン ,  高速化 ,  ニューラルネットワーク ,  画像処理 ,  計算機アーキテクチャ ,  ゲーム ,  近似法 ,  学習アルゴリズム
準シソーラス用語： *GPGPU , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： アドレス ,  GPGPU ,  神経回路網 ,  加速