Các thuật toán Học máy (ML) đã cho thấy mức độ chính xác cao và các ứng dụng được sử dụng rộng rãi trong nhiều hệ thống và nền tảng. Tuy nhiên, việc phát triển các hệ thống dựa trên ML hiệu quả đòi hỏi phải giải quyết ba vấn đề: hiệu quả năng lượng, tính mạnh mẽ và các kỹ thuật thường tập trung vào việc tối ưu hóa cho một mục tiêu duy nhất/có một tập hợp các mục tiêu hạn chế. Cuốn sách này giải quyết những thách thức này bằng cách khai thác các tính năng độc đáo của các mô hình ML tiên tiến và nghiên cứu các khái niệm và kỹ thuật xuyên lớp để kết hợp cả các phương pháp cấp độ phần cứng và phần mềm nhằm xây dựng các kiến ​​trúc mạnh mẽ và tiết kiệm năng lượng cho các mạng ML tiên tiến này. Cụ thể hơn, cuốn sách này cải thiện hiệu quả năng lượng của các mô hình phức tạp như CapsNet, thông qua một luồng chuyên biệt các thiết kế cấp độ phần cứng và tối ưu hóa cấp độ phần mềm, khai thác kiến ​​thức do ứng dụng thúc đẩy của các hệ thống này và khả năng chịu lỗi thông qua các phép xấp xỉ và lượng tử hóa. Cuốn sách này cũng cải thiện tính mạnh mẽ của các mô hình ML, đặc biệt là đối với các mạng SNN được thực thi trên phần cứng neuromorphic, nhờ các tính năng tiết kiệm chi phí vốn có của chúng. Cuốn sách này tích hợp nhiều mục tiêu tối ưu hóa vào các khuôn khổ chuyên biệt để cùng nhau tối ưu hóa tính mạnh mẽ và hiệu quả năng lượng của các hệ thống này. Đây là nguồn tài nguyên quan trọng dành cho sinh viên và các nhà nghiên cứu về kỹ thuật máy tính và điện tử quan tâm đến việc phát triển ML mạnh mẽ và tiết kiệm năng lượng.

Abstract:

Machine Learning (ML) algorithms have shown a high level of accuracy, and applications are widely used in many systems and platforms. However, developing efficient ML-based systems requires addressing three problems: energy-efficiency, robustness, and techniques that typically focus on optimizing for a single objective/have a limited set of goals. This book tackles these challenges by exploiting the unique features of advanced ML models and investigates cross-layer concepts and techniques to engage both hardware and software-level methods to build robust and energy-efficient architectures for these advanced ML networks. More specifically, this book improves the energy efficiency of complex models like CapsNets, through a specialized flow of hardware-level designs and software-level optimizations exploiting the application-driven knowledge of these systems and the error tolerance through approximations and quantization. This book also improves the robustness of ML models, in particular for SNNs executed on neuromorphic hardware, due to their inherent cost-effective features. This book integrates multiple optimization objectives into specialized frameworks for jointly optimizing the robustness and energy efficiency of these systems. This is an important resource for students and researchers of computer and electrical engineering who are interested in developing energy efficient and robust ML.

Ngôn ngữ:	eng
Tác giả:	Marchisio, Alberto, Shafique, Muhammad
Thông tin nhan đề:	Energy Efficiency and Robustness of Advanced Machine Learning Architectures
Nhà xuất bản:	Taylor & Francis
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	http://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/99315
Mô tả vật lý:	360p.
Năm xuất bản:	2025