研究課題
時間再構成可能な近似計算プラットフォームと空間再構成可能な近似計算プラットフォームの両方を、昨年度の成果を基に改良した。時間的プログラマビリティについては、独自のトポロジー "DiaNet "を用いた完全並列再構成可能なスパイキングニューラルネットワーク(SNN)アクセラレータを開発した。従来のDiaNetシリーズと比較して、SNN版DiaNetをハードウェア上で完全並列化することで、ニューロン計算とウェイトメモリのコストを大幅に削減した。さらに、個々の分類器の層深度を圧縮して待ち時間を短縮するために、学習時の消失勾配問題を緩和するレイヤースキップ接続を導入している。提案するアクセラレータの最適な設定を探索するために様々な実験を行った。提案するSNNアクセラレータをXilinx ZCU102 FPGAで検証した。その結果,提案するSNNアクセラレータはMNISTデータセットを用いて97.1%の精度と40.1GSOP/s/Wのエネルギー効率を達成した。空間再構成可能性のために、メモリ効率の良い確率計算ニューラルネットワーク(SCNN)のための非決定論的学習アプローチを提案した。本アプローチは、推論中に全精度のNNをSCNNに変換するために長いビットストリームに依存する方法とは異なり、長いビットストリームによるメモリ要件の増大を緩和するために、学習中に非決定論的計算の概念を導入する。この目的のため、学習段階のフィードフォワード過程においてNNのパラメータを確率化し、確率に従って1/4/8ビットの確率的数値表現に変換することで、SCにおけるメモリ要件を大幅に削減する。低ビット符号化に起因する学習不安定性の問題を緩和するため、学習過程における多重並列学習戦略(MPTS)を提案し、結果の安定性を向上させる。提案するMPTSは、投票メカニズムにより安定した訓練過程を実現する。
すべて 2024 2023
すべて 雑誌論文 (2件) (うち国際共著 1件、 査読あり 2件) 学会発表 (8件) (うち国際学会 8件)
IEEE Transactions on Emerging Topics in Computing
巻: Early access ページ: 1~12
10.1109/TETC.2023.3330979
IEEE Micro
巻: 44 ページ: 8~16
10.1109/MM.2023.3285529