| 研究課題/領域番号 |
19K11874
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60040:計算機システム関連
|
|---|
| 研究機関 | 豊橋技術科学大学 |
|---|
研究代表者 |
佐藤 幸紀 豊橋技術科学大学, 工学(系)研究科(研究院), 准教授 (30452113)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2020年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2019年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
|
|---|
| キーワード | メモリアクセス最適化 / 性能モデル / ハード・ソフト協調設計 / 深層学習と経験的手法 / プログラム自動合成 |
|---|
| 研究開始時の研究の概要 |
近年の深層学習技術の進展は目覚ましい反面、これらの成果を社会に幅広く展開するためには性能・電力・コストの面で最適化された深層学習処理向けのシステムアーキテクチャを探求していくことが急務である。このような状況の下、ハード・ソフトにまたがる広大なアーキテクチャ設計空間に対して深層学習を活用し、既存の高位最適化コンパイラに実装されている経験的手法と協調しながら動作する最適化器の自動合成を試みる。実環境での観測に基づく大量の教師学習データに駆動される形で対応可能となる最適化器の自動合成法を研究開発することにより、深層学習向けシステムアーキテクチャ技術の本質を追求していくことを目指す。
|
| 研究成果の概要 |
メモリアクセス最適化プログラムの自動合成を目指して、深層学習と経験的手法を協調させつつ最適化を適応することに取り組んだ。深層学習に関しては、実行コードレベルの最適化と親和性が高いグラフニューラルネットワークを活用した最適化の可能性の調査やプロトタイプ実装の実施を行い、今後の研究の発展につながる知見を得ることができた。メモリ階層を考慮した性能モデルとしてPolyhedralモデルやキャッシュシミュレータを活用した経験的手法による最適化に関しては、実践的な性能解析ツールやメモリ信頼性判定シミュレータの基盤技術として応用可能であるという知見が得られた。
|
| 研究成果の学術的意義や社会的意義 |
近年の深層学習技術の進展は目覚ましい反面、これらの成果を社会に幅広く展開するためには性能・電力・コストの面で最適化された深層学習処理向けのシステムアーキテクチャを探求していくことが急務である。このような状況の下、ハード・ソフトにまたがる広大なアーキテクチャ設計空間に対して最適化を行う機構の自動合成を目指すのが本研究の目的であった。プログラマによる手作業では手に負えなくなる規模の複雑かつ明示的で緻密な場合分けが必要となる最適化であっても、経験的手法を性能モデルと連携する形で拡張させていくことにより自動化できる可能性が示された。
|
