基于人工神经网络（ANN）处理器中边缘检测的热力学代价
图像与视频处理
2020-10-30 v2 神经与进化计算
摘要
基于架构的散热分析使我们能够揭示给定处理器中低效的根本来源，从而为我们提供设计更低耗散计算方案的路线图，而与其实现所采用的技术基础无关。在这项工作中，我们研究了基于人工神经网络（ANN）的处理器中用于执行边缘检测任务的能量耗散的架构级贡献。我们使用64像素二值图像，将ANN的训练与信息处理代价与传统架构和算法进行比较。我们的结果揭示了为特定任务训练的ANN网络相对于基于冯·诺依曼架构的通用处理器的内在效率优势。我们还将所提出的性能改进与细胞阵列处理器（CAPs）进行比较，并说明了专用处理器中耗散的降低。最后，我们计算了由输入数据结构引起的耗散变化，并展示了随机性对信息处理能量代价的影响。我们获得的结果为一系列处理器中基于任务的基础能量效率分析提供了比较基础，从而有助于处理器的架构级描述研究以及基于计算物理学的热力学代价计算。
引用
@article{arxiv.2003.08196,
title = {Thermodynamic Cost of Edge Detection in Artificial Neural Network(ANN)-Based Processors},
author = {Seçkin Barışık and İlke Ercan},
journal= {arXiv preprint arXiv:2003.08196},
year = {2020}
}
备注
International Journal of Parallel, Emergent and Distributed Systems, October 2020