可解释人工智能的硬件加速

机器学习（ML）在各个领域实现类人水平的人工智能方面取得了成功。然而，由于其黑盒性质，它缺乏解释结果的能力。尽管近期关于可解释人工智能（XAI）的研究受到了显著关注，但现有多数方案不适用于实时系统，因为它们将可解释性建模为优化问题，从而导致大量耗时的复杂计算迭代。尽管已有基于硬件的XAI加速框架，但它们通过FPGA实现且针对特定任务设计，导致成本高昂且缺乏灵活性。本文提出一种简单而高效的框架，利用现有硬件加速器加速各类XAI算法。具体而言，本文做出了三项重要贡献。（1）所提方法是探索使用张量处理单元（TPU）加速XAI有效性的首次尝试。（2）我们提出的方案探究了若干现有XAI算法与矩阵计算之间的紧密关系，并利用卷积与傅里叶变换之间的协同效应，充分发挥了TPU在加速矩阵计算方面的固有能力。（3）我们提出的方法可实现实时结果解释。大量实验评估表明，与现有加速技术相比，部署在TPU上的所提方法在解释时间（平均39倍）和能效（平均69倍）上均有大幅改善。