- Надежное развертывание DNN в архитектурах аналоговых вычислений с памятью(arXiv)
Автор: Мэд Хасибул Амин, Мохаммед Эльбтити, Рамтин Занд
Аннотация:архитектуры обычных вычислений в памяти (IMC) состоят из аналоговых мемристивных поперечин для ускорения умножения матрицы на вектор (MVM) и цифровых функциональных блоков для реализации нелинейных векторных (NLV) операций в глубоких нейронных сетях ( DNN). Однако эти конструкции требуют энергоемких блоков преобразования сигналов, которые могут рассеивать более 95% общей мощности системы. С другой стороны, схемы аналоговых вычислений в памяти (IMAC) устраняют необходимость в преобразователях сигналов, реализуя операции MVM и NLV в аналоговой области, что приводит к значительной экономии энергии. Однако они более подвержены проблемам надежности, таким как паразитные межсоединения и шумы. Здесь мы представляем практический подход к развертыванию больших матриц в DNN на нескольких меньших подмассивах IMAC, чтобы уменьшить влияние шума и паразитных помех, сохраняя при этом вычисления в аналоговой области.
2.Сравнение вычислительных архитектур для автоматизированной журналистики(arXiv)
Автор:Ян В. Сым, Жоао Габриэль М. Кампос, Маркос М. Хосе, Фабио Г. Козман
Вывод:большинство систем NLG были разработаны с использованием либо шаблонной, либо конвейерной архитектуры. Недавние нейронные модели для преобразования данных в текст были предложены со сквозным вариантом глубокого обучения, который обрабатывает нелингвистический ввод на естественном языке без явных промежуточных представлений. В этом исследовании сравниваются наиболее часто используемые методы создания текстов на бразильском португальском языке из структурированных данных. Результаты показывают, что явные промежуточные этапы в процессе генерации дают более качественные тексты, чем те, которые генерируются нейронными сквозными архитектурами, избегая галлюцинаций данных и лучше обобщая невидимые входные данные. Код и корпус находятся в открытом доступе
3.Архитектуры граничных вычислений для обеспечения реализации робототехнических систем следующего поколения(arXiv)
Автор: Ахиллеас Санти Сейса, Герасимос Дамигос, Сумит Гаджанан Сатпуте, Антон Коваль, Джордж Николакопулос
Аннотация: Edge Computing — это многообещающая технология, предоставляющая новые возможности в технологических областях, требующих мгновенной обработки данных. Исследователи в таких областях, как машинное обучение и глубокое обучение, широко используют периферийные и облачные вычисления для своих приложений, в основном из-за значительных вычислительных ресурсов и ресурсов хранения, которые они предоставляют. В настоящее время Robotics также стремится воспользоваться этими возможностями, и с развитием сетей 5G некоторые существующие ограничения в этой области могут быть преодолены. В этом контексте важно знать, как использовать появляющиеся пограничные архитектуры, какие типы пограничных архитектур и платформ существуют сегодня и какие из них можно и нужно использовать для каждого роботизированного приложения. В целом Edge-платформы могут быть реализованы и использованы по-разному, тем более, что есть несколько провайдеров, предлагающих более-менее одинаковый набор услуг с некоторыми существенными отличиями. Таким образом, это исследование посвящено этим обсуждениям тем, кто работает над разработкой роботизированных систем следующего поколения, и поможет понять преимущества и недостатки каждой архитектуры граничных вычислений, чтобы разумно выбрать правильную для каждого приложения.
