非易失性内存加速的几何多尺度分辨率分析
机器学习
2022-02-24 v1 硬件体系结构
摘要
降维算法是研究者工具箱中的标准工具。降维算法常用于增强机器学习、数据科学等下游任务,也是理解复杂现象的探索性方法。例如,降维常用于生物学和神经科学中以理解从生物受试者收集的数据。然而,降维技术受限于其执行的冯·诺依曼架构。具体而言,诸如降维技术之类的数据密集型算法通常需要快速、高容量、持久的内存,而历史上硬件无法同时提供这些特性。在本文中,我们重新实现了一种称为几何多尺度分辨率分析(GMRA)的现有降维技术,其通过称为以内存为中心的主动存储(MCAS)的新型持久内存技术加速。我们的实现使用了MCAS的专用版本PyMM,其原生支持包括NumPy数组和PyTorch张量在内的Python数据类型。我们将PyMM实现与DRAM实现进行比较,表明当数据可放入DRAM时,PyMM提供有竞争力的运行时间。当数据无法放入DRAM时,我们的PyMM实现仍能够处理数据。
引用
@article{arxiv.2202.11518,
title = {Non-Volatile Memory Accelerated Geometric Multi-Scale Resolution Analysis},
author = {Andrew Wood and Moshik Hershcovitch and Daniel Waddington and Sarel Cohen and Meredith Wolf and Hongjun Suh and Weiyu Zong and Peter Chin},
journal= {arXiv preprint arXiv:2202.11518},
year = {2022}
}
备注
2021 IEEE High Performance Extreme Computing Conference (HPEC)