文献

J-GLOBAL ID：202002247743964337   整理番号：20A2689633

機械学習のための近似ハードウェアビルディングブロックとしての抵抗性クロスバ:機会と課題【JST・京大機械翻訳】

Resistive Crossbars as Approximate Hardware Building Blocks for Machine Learning: Opportunities and Challenges

著者 (9件)： Chakraborty Indranil (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Ali Mustafa (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Ankit Aayush (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Jain Shubham (IBM Thomas J. Watson Research, Yorktown Heights, NY, USA) ,  Roy Sourjya (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Sridharan Shrihari (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Agrawal Amogh (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Raghunathan Anand (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Roy Kaushik (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA)
資料名： Proceedings of the IEEE  (Proceedings of the IEEE)
巻： 108  号： 12  ページ： 2276-2310  発行年： 2020年 
JST資料番号： D0378A  ISSN： 0018-9219  CODEN： IEEPAD  資料種別： 逐次刊行物 (A)
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： von Neumannアーキテクチャに基づく従来のコンピューティングシステムは,プロセッサとメモリの間のデータ転送によって基本的にボトルネックされる。機械学習(ML)のようなデータ集約的作業負荷の出現は,位置合わせメモリと処理ユニットの原理を利用する計算プラットフォームを設計することにより,このボトルネックに対処する緊急の必要性を創造する。「インメモリコンピューティング」として知られるこのようなアプローチは,メモリアレイ自体の内部計算によるデータ移動コストを潜在的に排除できる。抵抗不揮発性メモリ(NVM)デバイスに基づくクロスバーは,ML作業負荷のためのメモリ内コンピューティングシステムのビルディングブロックとして,非常に有望であることを示した。これは,それらの高密度がより高いオンチップ記憶容量に導くことができるので,それらはまた,大規模並列,in situマトリックス四角形ベクトル乗算(MVM)操作を実行でき,それによってML作業負荷の主要な計算カーネルを加速できる。しかし,抵抗クロスバーベースのアナログコンピューティングは,デバイスおよび回路レベルの非理想性のために本質的に近似的である。さらに,アナログとディジタルドメイン間の変換のための周辺回路の面積とエネルギーコストは,クロスバーベースのMVM計算の固有効率を大幅に削減できる。ML作業負荷を加速するためのNVMクロスバーを用いた計算の新しいパラダイムの包括的な概観を示した。デバイスとそれらを構成する回路を含む抵抗クロスバーの設計原理を述べた。デバイスと回路特性から生じる固有近似を議論し,MVM動作に対するそれらの機能的影響を研究した。次に,NVMクロスバーの高い貯蔵密度を利用する空間アーキテクチャの概要を示した。さらに,抵抗クロスバーベースハードウェアを用いて,大規模ディープニューラルネットワーク(DNN)の性能を評価するために,デバイス作動回路インピーダンスアーキテクチャ特性を効果的に捉えるソフトウェアフレームワークについて詳述した。最後に,将来の計算プラットフォームのビルディングブロックとして抵抗クロスバーのビジョンを実現するために調査する必要がある未解決課題と将来の研究方向を論じた。Copyright 2020 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】

シソーラス用語： 記憶装置 ,  ベクトル ,  記憶容量 ,  計算機システム ,  *近似法 ,  乗算 ,  不揮発性メモリ ,  データ転送 ,  演算プロセッサ ,  計算機アーキテクチャ ,  *機械学習
準シソーラス用語： オンチップ ,  *ビルディングブロック ,  メモリアレイ ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 半導体集積回路  (NC03162T) ,  固体デバイス一般  (NC03010Z)

タイトルに関連する用語 (5件)： 機械学習 ,  近似 ,  抵抗性 ,  クロスバ ,  機会