FastML 科学基准：加速实时科学边缘机器学习
机器学习
2022-07-19 v1 计算物理
仪器与探测器
摘要
机器学习（ML）的应用正日益增多，面向许多独特且具有挑战性的科学应用。然而，这些应用面临的一个关键挑战是它们对超低延迟和探测器上 ML 能力的需求。鉴于摩尔定律和 Dennard 缩放的放缓，加上科学仪器快速发展导致数据速率不断增长，在极端边缘需要超快 ML。边缘的快速 ML 对于实时缩减和过滤科学数据以加速科学实验并实现更深刻的洞察至关重要。为加速实时科学边缘 ML 的硬件和软件解决方案，我们需要具有足够规范、可通用适用且易获取的良好约束基准任务。这些基准可指导未来用于科学应用的边缘 ML 硬件设计，以满足纳秒和微秒级延迟要求。为此，我们提出了一组初步的科学 ML 基准，涵盖多种 ML 和嵌入式系统技术。
引用
@article{arxiv.2207.07958,
title = {FastML Science Benchmarks: Accelerating Real-Time Scientific Edge Machine Learning},
author = {Javier Duarte and Nhan Tran and Ben Hawks and Christian Herwig and Jules Muhizi and Shvetank Prakash and Vijay Janapa Reddi},
journal= {arXiv preprint arXiv:2207.07958},
year = {2022}
}
备注
9 pages, 4 figures, Contribution to 3rd Workshop on Benchmarking Machine Learning Workloads on Emerging Hardware (MLBench) at 5th Conference on Machine Learning and Systems (MLSys)