面向科学应用的可靠边缘机器学习硬件
机器学习
2024-07-01 v1
摘要
极端数据率的科学实验产生海量数据，需高效的边缘机器学习处理。这导致 VLSI 实现的机器学习算法面临独特的验证挑战：在实验软件框架中实现比特精确的功能仿真以进行性能验证，验证这些机器学习模型在极端量化和剪枝下的鲁棒性，以及为高效容错能力提供超细粒度模型检查。我们讨论了在极端实验环境中应对严格的延迟、资源、功耗和面积要求时，如何开发和验证可靠算法的方案。我们研究了 developing 稳健算法的指标，提出初步结果和缓解策略，并展望了为实现更长期的自主科学实验方法而推进加速科学发现的研究方向。
引用
@article{arxiv.2406.19522,
title = {Reliable edge machine learning hardware for scientific applications},
author = {Tommaso Baldi and Javier Campos and Ben Hawks and Jennifer Ngadiuba and Nhan Tran and Daniel Diaz and Javier Duarte and Ryan Kastner and Andres Meza and Melissa Quinnan and Olivia Weng and Caleb Geniesse and Amir Gholami and Michael W. Mahoney and Vladimir Loncar and Philip Harris and Joshua Agar and Shuyu Qin},
journal= {arXiv preprint arXiv:2406.19522},
year = {2024}
}
备注
IEEE VLSI Test Symposium 2024 (VTS)