文献

J-GLOBAL ID：201702290925720197   整理番号：17A1002993

BRein Memory:バイナリ・インメモリ再構成型深層ニューラルネットワークアクセラレータ

著者 (11件)： 安藤洸太 (北大 大学院情報科学研究科) ,  植吉晃大 (北大 大学院情報科学研究科) ,  折茂健太郎 (北大 大学院情報科学研究科) ,  米川晴義 (東京工大) ,  佐藤真平 (東京工大) ,  中原啓貴 (東京工大) ,  池辺将之 (北大 大学院情報科学研究科) ,  浅井哲也 (北大 大学院情報科学研究科) ,  高前田伸也 (北大 大学院情報科学研究科) ,  黒田忠広 (慶応大) ,  本村真人 (北大 大学院情報科学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 117  号： 166(SDM2017 31-49)  ページ： 101-106  発行年： 2017年07月24日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ニューラルネットワークの応用が興隆を見せている。しかしその発展に伴って計算量とデータ量も増大を続け,携帯機器等の電力の限られた環境での応用が制限される。本アーキテクチャは二値化ニューラルネットワークを採用し,全データをオンチップメモリに収めつつ,全演算をメモリ直近の並列計算で完結することで,処理時間と電力効率双方の改善を行う。またニューラルネットワークの計算の対称性を活用し,層の幅・数・形状に対するスケーラビリティとリコンフィギャラビリティを確保する。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *変換 ,  *並列演算 ,  *計算機アーキテクチャ ,  記憶装置 ,  計算 ,  電力効率 ,  スケーラビリティ【計算機】 ,  可能性 ,  *機械学習 ,  計算量 ,  記憶容量 ,  SRAM ,  精度 ,  オンチップメモリ ,  深層学習 ,  *ディープニューラルネットワーク
準シソーラス用語： *二値化 ,  インメモリコンピューティング ,  再構成可能性 ,  *深層ニューラルネットワーク ,  認識精度

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (18件)：

• O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A.C. Berg, and L. Fei-Fei, ′′Imagenet large scale visual recognition challenge,′′ Int. J. Comput. Vision, vol.115, no.3, pp.211-252, Dec. 2015. http://dx.doi.org/10.1007/s11263-015-0816-y
• J. Qiu, J. Wang, S. Yao, K. Guo, B. Li, E. Zhou, J. Yu, T. Tang, N. Xu, S. Song, Y. Wang, and H. Yang, ′′Going deeper with embedded fpga platform for convolutional neural network,′′ Proceedings of the 2016 ACM/SIGDA International Symposium on Field-Programmable Gate Arrays, pp.26-35, FPGA'16, ACM, New York, NY, USA, 2016. http://doi.acm.org/10.1145/2847263.2847265
• M. Courbariaux, Y. Bengio, and J. David, ′′Binaryconnect: Training deep neural networks with binary weights during propagations,′′ CoRR, vol.abs/1511.00363, 2015. http://arxiv.org/abs/1511.00363
• M. Courbariaux and Y. Bengio, ′′Binarynet: Training deep neural networks with weights and activations constrained to +1 or -1,′′ CoRR, vol.abs/1602.02830, 2016. http://arxiv.org/abs/1602.02830
• M. Rastegari, V. Ordonez, J. Redmon, and A. Farhadi, ′′XNOR-Net: Imagenet classification using binary convolutional neural networks,′′ CoRR, vol.abs/1603.05279, 2016. http://arxiv.org/abs/1603.05279

タイトルに関連する用語 (3件)： 再構成 ,  深層ニューラルネットワーク ,  アクセラレータ