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。
最先端の高解像度カメラから生成された膨大な量のデータを処理するための要求は,新しいエネルギー効率の良いオンデバイスAIソリューションを動機づけた。そのようなカメラの視覚データは,通常,センサ画素アレイによりアナログ電圧の形で捉えられ,次にアナログディジタル変換器(ADC)を用いて,その後のAI処理のためにディジタル領域に変換された。最近の研究では,AI計算が部分的に画素アレイの周辺に,そして部分的には別々のオンボードCPU/加速器において実行される,近およびセンサ処理の形で,大規模並列低電力アナログ/ディジタルコンピューティングの利点を取り上げてきた。残念なことに,高解像度入力画像は,カメラとAI処理ユニット,フレームによるフレーム,エネルギー,帯域幅,およびセキュリティボトルネックに起因するフレームの間で,まだ流れ込む必要がある。この問題を緩和するために,アナログマルチチャネル,マルチビット畳込み,バッチ正規化,およびReLU(線形化線形ユニット)のためのサポートを加えることによって,画素アレイをカスタム化する新しい処理-イン-ピアインメモリ(P2M)パラダイムを提案する。この解は,全体論的アルゴリズム-回路共設計手法を含み,得られたP2Mパラダイムは,鋳物-製造可能CMOS画像センサプラットフォーム内の畳み込みニューラルネットワーク(CNN)モデルのメモリ集約型最初の数層の埋め込みのためのドロップイン置換として使用することができる。この実験結果は,P2Mがセンサとアナログから約21xのディジタル変換へのデータ転送帯域幅を,また,試験精度の顕著な低下なしに,標準近処理またはセンサ内実装と比較して,視覚後流単語データセット(VWW)のTinyML使用事例で,MobileNetV2モデルを処理する際に発生するエネルギー遅延積(EDP)を,約1xまで処理することを示している。【JST・京大機械翻訳】