文献

J-GLOBAL ID：201802282985275135   整理番号：18A0078333

ストリームデータフロー加速【Powered by NICT】

Stream-dataflow acceleration

著者 (4件)： Nowatzki Tony (University of California, Los Angeles) ,  Gangadhar Vinay (University of California, Los Angeles) ,  Ardalani Newsha (University of Wisconsin, Madison) ,  Sankaralingam Karthikeyan (University of Wisconsin, Madison)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISCA  ページ： 416-429  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： 低電力データ処理ハードウェアの需要は厳然上昇し続けている。既存プログラム可能で「汎用」溶液(例えばSIMD,GPGPU)は不十分である,機械学習,コンピュータビジョンとビッグデータのような重要な分野での応用とドメイン特異的加速器の大きさの改善と産業採用により証明された。これら二つの極値での効率と一般性間のStarkトレードオフは困難な問題を提起している,即ちかドメイン固有ハードウェアソリューションなしで達成するドメイン固有ハードウェア効率た本研究では,「acceleratable」アルゴリズムは広い共通の性質を持つという洞察に依存している:長い相,簡単な制御パターンと依存性,及び簡単なストリーミングメモリアクセスと再利用パターンと高い計算強度。流データフローと呼ばれるこれらの特性を持つプログラムを発現するより効率的にできる一般的アーキテクチャ(ハードウェア-ソフトウェア界面)を定義した。このアーキテクチャのデータフロー成分は高並行性を可能にし,流成分は超低電力と面積オーバヘッドで通信と配位を可能にした。本論文では,ハードウェアとソフトウェアの意味を検討し,その詳細な微細構造について述べ,実装を評価した。最新のドメイン特異的加速器(DianNao),MachSuiteの一定機能加速器と比較して,Softbrainは,平均して僅か2×電力オーバヘッドと性能を適合できた。Copyright 2018 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： 電力 ,  ソフトウェア ,  加速器 ,  機械学習 ,  コンピュータビジョン ,  再利用 ,  SIMD ,  *ハードウェア ,  微細構造 ,  アルゴリズム ,  データ処理 ,  ビッグデータ ,  GPGPU
準シソーラス用語： *データフロー ,  低電力化 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： ストリーム ,  データフロー ,  加速