这篇文章是我们独家报道的一部分IEEE期刊手表系列与IEEE Xplore合作。

深度学习是一种关键的计算方法,它正在推动技术的边界——处理大量数据,揭示人类自己永远无法识别的微妙模式。但是为了获得最佳性能,深度学习算法需要得到正确的软件编译器和硬件组合的支持。特别是,可重新配置的处理器是关键,它允许根据需要灵活地使用硬件资源进行计算。

在最近的一项研究中,香港的研究人员报告了一种被称为ReAAP的新型可重构处理器,它优于几种常用来支持深度神经网络(dnn)的计算平台,深度神经网络是一种有用的深度学习形式,通常涉及具有许多计算密集型数据层的大型数据集。他们用于十月十日出版IEEE计算机汇刊

而普通处理器通常允许数据要使用特定的硬件路径进行处理,可重构处理器提供了一种更具适应性的选择:根据需要重新配置最有效的硬件资源来处理数据。

“可重构处理器结合了软件灵活性和硬件并行性的优势,”香港科技大学电子与计算机工程系博士后研究员郑建伟解释说,他参与了这项研究。

这些优势促使他的团队创建了ReAAP,这是一个集成的软硬件系统。它的软件编译器负责评估和优化各种深度学习工作负载。一旦它确定了并行处理数据的最佳解决方案,它就会发送指令重新配置硬件协处理器,从而分配适当的硬件资源来进行并行计算。郑解释说:“作为一个端到端系统,ReAAP可以通过在每个应用程序的软件中定制Python脚本来加速各种深度学习应用程序。”

在他们的研究中,研究人员将他们在ReAAP中提出的软件编译器与Nvidia GPU和ARM CPU上的其他三个基准软件编译器进行了比较。结果显示,它的运行速度是第二好的软件编译器的1.9到5.7倍GPU同样的软件编译器运行速度是它的1.6到3.3倍在CPU上

此外,郑指出,ReAAP为各种计算密集型层实现了持续的高硬件资源利用率。

虽然ReAAP擅长处理典型数据密集型工作负载下的dnn,但目前还不太适合支持数据稀疏时的dnn。郑说,他的团队希望在未来解决这个问题。更重要的是,研究人员希望在ReAAP的基础上进行构建,以便它能够更好地处理量化数据(处理过的数据以一种显著降低神经网络内存需求和计算成本的方式)。

郑说:“在(ReAAP更好地处理量化数据的)扩展完成和评估后,我们将考虑将其与其他几个人工智能计算加速解决方案一起商业化。”他指出,这将使ReAAP在各种物联网(IoT)设备等资源受限的平台上更加高效。

对话(0)

人工智能会窃取潜艇的隐身能力吗?

更好的探测将使海洋变得透明——也许还会导致相互毁灭

11分钟读取
一张潜艇在水中的照片,在部分多云的天空下。

弗吉尼亚级快速攻击潜艇维吉尼亚州将于2010年穿越地中海。当时,只要潜水,它就能消失。

美国海军

潜艇的价值主要是因为他们隐藏的能力。核战争中,核潜艇能够在第一次导弹袭击中存活下来,从而能够在第二次打击中发射导弹作为回应,这是所谓“相互保证毁灭”威慑战略的关键。因此,任何可能使海洋变得有效透明的新技术,都可能破坏世界和平,使潜伏的潜艇变得微不足道。近一个世纪以来,海军工程师们一直在努力研发速度更快、噪音更小的潜艇。但他们也同样努力推进一系列雷达、声纳和其他旨在探测、瞄准和消灭敌方潜艇的技术。

随着20世纪60年代早期核动力潜艇的出现,这种平衡似乎发生了转变。在2015年战略与预算评估中心的一项研究中,布莱恩·克拉克哈德逊研究所的一位海军专家指出,这些船只长时间保持在水下的能力使它们“雷达和主动声纳几乎不可能发现“但即使是这些隐形的潜艇也会产生细微的、非常低频的噪音,从很远的地方就能被探测到声水听器阵列网络安装在海底的。

继续阅读↓ 显示更少
{“imageShortcodeIds”(“30133857”):}
Baidu