文献

J-GLOBAL ID：202002250744867105   整理番号：20A0964047

建築探査のための深部強化学習フレームワーク:Routerless NoC事例研究【JST・京大機械翻訳】

A Deep Reinforcement Learning Framework for Architectural Exploration: A Routerless NoC Case Study

著者 (4件)： Lin Ting-Ru (University of Southern California) ,  Penney Drew (Oregon State University) ,  Pedram Massoud (University of Southern California) ,  Chen Lizhong (Oregon State University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： HPCA  ページ： 99-110  発行年： 2020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： アーキテクチャ設計に適用される機械学習は広い応用を持つ有望な機会を提示する。最近の深い強化学習(DRL)技術は,特に,従来の設計戦略が不十分であるかもしれない広大な設計空間における効率的な探索を可能にする。本論文では,評価事例研究としてルーターレスネットワークオンチップ(NoC)を用いた新しい深い強化フレームワークを提案した。新しいフレームワークは,以前の設計アプローチによる問題を解決することに成功した。それは,厳しい設計空間制約によるランダムな探索または柔軟性のために信頼できない。このフレームワークは,様々な設計制約を持つルーターレスNoCに対する最適ループ配置を学習する。モンテカルロ探索木を用いて,immense routterless NoC設計空間を効率的に探索する並列スレッドを用いて,深いニューラルネットワークを開発した。実験結果は,従来のメッシュと比較して,提案した深い強化学習(DRL)ルーターレス設計が,スループットの3.25x増加,パケット待ち時間の1.6x減少,および電力の5x削減を達成することを示した。最先端のルーティングなしのNoCと比較して,DRLはスループットの1.47x増加,パケット待ち時間の1.18x削減,平均ホップ数の1.14x削減,および6.3%低い電力消費を達成した。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： モンテカルロ法 ,  電力 ,  電力消費 ,  ニューラルネットワーク ,  経路選定 ,  スループット ,  待ち時間 ,  *事例研究 ,  パケット ,  機械学習 ,  *強化学習 ,  スレッド
準シソーラス用語： アーキテクチャ設計 ,  *ネットワークオンチップ ,  ホップ数 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 建築 ,  探査 ,  深部 ,  強化学習 ,  フレームワーク ,  NoC ,  研究