Der Artikel stellt DACAPO, eine hardwarebeschleunigter Lösung für kontinuierliches Lernen in autonomen Systemen, vor. Autonome Systeme wie selbstfahrende Fahrzeuge, Drohnen und Sicherheitsroboter sind auf Echtzeit-Videoanalysen angewiesen, die auf Deep-Learning-Modellen basieren. Um die begrenzten Rechenressourcen und Batterielaufzeiten dieser Systeme zu bewältigen, nutzt DACAPO kontinuierliches Lernen.
Bestehende Lösungen für kontinuierliches Lernen haben jedoch Einschränkungen: Sie fokussieren sich auf die Neutrainierung, vernachlässigen aber die Anforderungen für Inferenz und Beschriftung; sie sind auf energiehungrige GPUs angewiesen, die für batteriebetriebene autonome Systeme ungeeignet sind; und sie sind auf entfernte zentrale Server ausgelegt, was Probleme bei Datenschutz, Netzwerkverfügbarkeit und Latenz verursacht.
DACAPO adressiert diese Herausforderungen durch einen hardwarebeschleunigten Lösungsansatz. Es umfasst (1) einen räumlich teilbaren und präzisionsflexiblen Beschleuniger, der die parallele Ausführung von Kernaufgaben auf Teilbeschleunigern mit jeweils angepasster Präzision ermöglicht, und (2) einen raumzeitlichen Ressourcenzuweisungsalgorithmus, der den Ressourcen-Genauigkeits-Zielkonflikt strategisch navigiert, um eine optimale Ressourcenzuweisung für maximale Genauigkeit zu erreichen.
Die Evaluation zeigt, dass DACAPO 6,5% und 5,5% höhere Genauigkeit als die beiden state-of-the-art GPU-basierten kontinuierlichen Lernsysteme Ekya und EOMU erreicht, bei einem 254-fach geringeren Energieverbrauch.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Yoonsung Kim... pada arxiv.org 03-22-2024
https://arxiv.org/pdf/2403.14353.pdfPertanyaan yang Lebih Dalam