抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
生成加算器ネットワーク(Gans)は,限られた本物のデータセットから合成データを生成する最も最近の深い学習モデルの一つである。Gansは,多くの領域(例えば,医学,ロボット,コンテンツ合成)への深い学習のさらなる拡張が,一般的に利用できないかまたは禁止的に費用がかかる大量のラベル付けデータを必要とする。Gansは様々な分野において顕著性を獲得しているが,これらの新しいモデルに対する加速器は存在しない。実際に,Gansは,ハードウェア加速のためのユニークな課題を明らかにする,変換されたコンボリューションと呼ばれる新しい演算子を活用する。この演算子は,最初に多次元入力の中にゼロを挿入し,次に,埋め込まれた零点に情報を付加するために,この拡張配列上のカーネルを畳み込んだ。この演算子にコンボリューションステージがあるにもかかわらず,挿入されたゼロは,従来のコンボリューション加速器を用いるとき,計算資源の利用不足につながる。GANAXアーキテクチャを提案し,従来のコンボリューション加速器を用いて,Gansの加速度に関連した非効率性の源を軽減し,最初のGAN加速器設計を可能にした。著者らは,出力計算の再編成を提案して,零点の類似パターンを持つ計算列を隣接処理エンジンに割り当て,これにより,零点における非因果的多重加算を回避した。これにより,これらの隣接する処理エンジンを横切るデータ再利用が可能になり,これは挿入されたゼロのために減少した。再秩序化は完全SIMD実行モデルを破り,それはコンボリューション加速器において顕著である。したがって,SIMDモードで同時に実行する異なるマイクロプログラムを生成するために,計算において反復パターンを活用するGANAXのための統一MIMD-SIMD設計を提案した。MIMDとSIMDモードのインタリービングを,単一マイクロプログラム操作の粒度で実行した。MIMD実行のコストを調整するために,GANAXにおけるデータ処理からのデータアクセスのデカップリングを提案した。このデカップリングは,各処理エンジンをアクセスマイクロエンジンと実行マイクロエンジンに分割する新しい設計をもたらす。提案したアーキテクチャは,各個々の演算子に対する計算の最終粒度に対するアクセス実行アーキテクチャの概念を拡張する。6つのGANモデルによる評価は,従来のコンボリューション加速器の効率を損なうことなく,Eyeriss上で平均3.6xの高速化と3.1xのエネルギー節約を示した。これらの利益は,わずか7.8%の面積増加をもたらした。これらの結果は,GANAXが深い神経モデルの次世代を加速するための道を開く有効な初期段階であることを示唆する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
