Reram-Based Machine Learning
Przejście na obliczenia w eksaskali spowodowało poważne zmiany w paradygmatach obliczeniowych. Potrzeba analizowania i reagowania na tak duże ilości zbiorów danych doprowadziła do przyjęcia metod uczenia maszynowego (ML) i głębokiego uczenia (DL) w szerokim zakresie zastosowań.
Jednym z głównych wyzwań jest pobieranie danych z pamięci obliczeniowej i zapisywanie ich z powrotem bez doświadczania wąskiego gardła pamięci. Aby rozwiązać te problemy, wprowadzono obliczenia w pamięci (IMC) i wspierające je struktury. Metody obliczeń w pamięci charakteryzują się bardzo niską mocą i wbudowaną pamięcią masową o dużej gęstości. Technologia ReRAM (Resistive Random-Access Memory) wydaje się najbardziej obiecującym rozwiązaniem IMC ze względu na zminimalizowaną moc upływu, zmniejszone zużycie energii i mniejszy ślad sprzętowy, a także kompatybilność z technologią CMOS, która jest szeroko stosowana w przemyśle.
W tej książce autorzy wprowadzają techniki ReRAM do wykonywania obliczeń rozproszonych przy użyciu akceleratorów IMC, prezentują architektury IMC oparte na ReRAM, które mogą wykonywać obliczenia ML i aplikacje intensywnie wykorzystujące dane, a także strategie mapowania projektów ML na akceleratory sprzętowe.
Książka służy jako pomost między badaczami w dziedzinie obliczeń (projektantami algorytmów ML i DL) a projektantami sprzętu komputerowego.