基于学习自动机的节能且可解释 AI 硬件设计
人工智能
2023-05-23 v1 机器学习
摘要
能效是在微边缘实现强大人工智能应用的关键要求。采用精简架构分配进行硬件加速是降低能耗的有效方法。许多新兴应用还要求系统设计纳入可解释决策模型以确立责任与透明性。设计需为真实世界数据场景中可达状态配置额外资源，这定义了能效之间的冲突设计权衡，颇具挑战。近来提出一种称为 Tsetlin 机的新机器学习算法。该算法从根本上基于有限状态自动机原理，受益于自然逻辑支撑而非算术。本文中，我们在保持高学习效率的同时，通过适当调谐超参数研究节能人工智能硬件设计方法。为展示可解释性，我们在两个仿真环境中使用可达性与博弈论分析：SystemC 模型用于研究硬件故障下的有界状态转移，以及状态间纳什均衡用于分析学习收敛。我们的分析首次揭示了这种新人工智能硬件架构中节能与可解释决策模型所涉的冲突设计权衡。我们表明，精简资源分配与随机化强化间的系统性宽裕相结合，可在实现鲁棒且可解释学习的同时带来显著的能耗降低。
引用
@article{arxiv.2305.11928,
title = {Energy-frugal and Interpretable AI Hardware Design using Learning Automata},
author = {Rishad Shafik and Tousif Rahman and Adrian Wheeldon and Ole-Christoffer Granmo and Alex Yakovlev},
journal= {arXiv preprint arXiv:2305.11928},
year = {2023}
}