Mostrar el registro sencillo del ítem

Accelerating machine learning at the edge with approximate computing on FPGAs

Acelerando aprendizaje de máquina en el Edge con computación aproximada en FPGAs

dc.creatorLeón-Vega, Luis Gerardo
dc.creatorSalazar-Villalobos, Eduardo
dc.creatorCastro-Godínez, Jorge
dc.date2022-11-28
dc.date.accessioned2023-11-17T20:52:57Z
dc.date.available2023-11-17T20:52:57Z
dc.identifierhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6491
dc.identifier10.18845/tm.v35i9.6491
dc.identifier.urihttps://hdl.handle.net/2238/14689
dc.descriptionPerforming inference of complex machine learning (ML) algorithms at the edge is becoming important to unlink the system functionality from the cloud. However, the ML models increase complexity faster than the available hardware resources. This research aims to accelerate machine learning by offloading the computation to low-end FPGAs and using approximate computing techniques to optimise resource usage, taking advantage of the inaccurate nature of machine learning models. In this paper, we propose a generic matrix multiply-add processing element design, parameterised in datatype, matrix size, and data width. We evaluate the resource consumption and error behaviour while varying the matrix size and the data width given a fixed-point data type. We determine that the error scales with the matrix size, but it can be compensated by increasing the data width, posing a trade-off between data width and matrix size with respect to the error.en-US
dc.descriptionLa inferencia en algoritmos complejos de aprendizaje automático (ML, por sus siglas en inglés) en edge computing está tomando importancia para desvincular la funcionalidad de un sistema de la nube. Sin embargo, los modelos de ML incrementan en complejidad más rápido que los recursos de hardware disponibles. Esta investigación tiene como objetivo acelerar el aprendizaje por automático al delegar el cálculo computacional a FPGAs de baja gama y usar computación aproximada para optimizar el uso de los recursos aprovechando la naturaleza inexacta de los modelos de aprendizaje automático. En este artículo, proponemos un diseño de un elemento de procesamiento genérico de multiplicación-suma de matrices, parametrizado en el tipo de dato, tamaño de la matriz y ancho del dato. Evaluamos el comportamiento del consumo de recursos y del error mientras variamos el tamaño de la matriz y el ancho del dato dato un tipo de datos de punto fijo. Determinamos que el error escala con el tamaño de la matriz pero que puede ser compensado al incrementar el ancho del dato, representando un compromiso entre el ancho del dato y el tamaño de la matriz con respecto al error.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.languageeng
dc.languagespa
dc.publisherEditorial Tecnológica de Costa Rica (entidad editora)es-ES
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6491/6296
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6491/6315
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es-ES
dc.sourceTecnología en marcha Journal; 2022: Vol. 35 special issue. IEEE International Conference on Bioinspired Processing; Pág. 39-45en-US
dc.sourceRevista Tecnología en Marcha; 2022: Vol. 35 especial. IEEE International Conference on Bioinspired Processing; Pág. 39-45es-ES
dc.source2215-3241
dc.source0379-3982
dc.subjectApproximate computingen-US
dc.subjectedge computingen-US
dc.subjectmachine learningen-US
dc.subjectneural networksen-US
dc.subjectlinear algebraen-US
dc.subjectComputación aproximadaes-ES
dc.subjectcomputación periféricaes-ES
dc.subjectaprendizaje por computadores-ES
dc.subjectredes neuronaleses-ES
dc.subjectálgebra lineales-ES
dc.titleAccelerating machine learning at the edge with approximate computing on FPGAsen-US
dc.titleAcelerando aprendizaje de máquina en el Edge con computación aproximada en FPGAses-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem