2021 Fiscal Year Annual Research Report
Real-Time Data Kernel for Data Intensive Science
| Project/Area Number |
19H04117
|
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
川島 英之 慶應義塾大学, 環境情報学部(藤沢), 准教授 (90407148)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
松谷 宏紀 慶應義塾大学, 理工学部(矢上), 准教授 (70611135)
藤原 靖宏 日本電信電話株式会社NTTコミュニケーション科学基礎研究所, 上田特別研究室, 主任研究員 (70837971)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | トランザクション / 機械学習 / アクセラレータ |
|---|
| Outline of Annual Research Achievements |
第一の成果として、あらゆるアクセスパタンで高い性能を発揮するトランザクション処理技法TAMを提案した．インメモリデータベース管理システムの並行処理プロトコルであるSiloは、高コンテンションワークロードでは効率的に動作しないため、その性能向上を図った。Adaptive Backoffは、高負荷時に有効な最適化手法として知られている。解析の結果、これまで考えられてきた既知のイベントの再衝突を減らすことよりも、未知の競合イベントを排除することに有効性があることがわかった。この分析に基づき、新たな手法としてスレッドアクティビティ管理法（TAM）を提案した。最新の同時実行制御プロトコルであるCicadaとSiloと提案手法の比較実験を行った結果、提案手法によりSiloがCicadaを大幅に上回る性能を発揮することが実証された。また、キャッシュミスが性能に極めて重要な影響を与えることを明らかにした。これよりSiloの有用性を明らかにできたため、これをROSのTFに適用し、性能を200倍以上向上させた。
第二の成果として、機械学習演算子をFPGAで高速化した。DQN(Deep Q-Network)は、ディープニューラルネットワークを用いて強化学習のためのQ学習を行う手法である。本研究では、低コストFPGAデバイスのための軽量なオンデバイス強化学習手法を提案した。OpenAIを用いた評価結果では、提案アルゴリズムとそのFPGA実装は、隠れ層のノード数が64の場合、従来のDQNベースのアプローチに比べて29.77倍高速にCartPole-v0タスクを完了できることを実証した。
第三の成果として、アンカーグラフに基づくラベル予測を効率的に行うことができるアプローチを提案した。これは不要なアンカーポイントを除去しデータ点のラベルを計算する際に共役勾配法を適用して行列の逆行列を回避した。実験により、本アプローチは効率と精度の点で従来のアプローチを上回ることが示された。
|
| Research Progress Status |
令和3年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和3年度が最終年度であるため、記入しない。
|
