13568

بررسي روش هاي استفاده از محاسبات تقريبي در يادگيري ماشين و كاربردهاي آن

1401

دكتر هادي شهريار شاه حسيني

دكتر هادي شهريار شاه حسيني

امروزه يادگيري ماشين يكي از اجزاي جدايي ناپذير فناوري نوين و مسئول مهم ترين پيشرفت‌هاي مربوط به آن شده است؛ از طرفي، محاسبات تقريبي مدت‌هاست كه به‌عنوان يك جايگزين طراحي براي پياده‌سازي كارآمد سيستم ها در ازاي كاهش ميزان دقت پذيرفته شده است. در برخي كاربرد ها محاسبات به صورت دقيق انجام شده و در برخي موارد، روند كلي محاسبات همراه با تقريب كافي خواهد بود. از طرفي كاربرد هايي مانند يادگيري ماشين، پردازش سيگنال ويديويي، جستجو و داده كاوي نياز به دقت كامل نداشته و انجام محاسبات با دقت بالا، سبب اتلاف انرژي، افزايش نرخ هاي نوسازي حافظه ها، افزايش مساحت و موارد مشابه مي شود. در دهه اخير علي‌رغم فعاليت‌هاي تحقيقاتي در حوزه‌هاي كاربردي مختلف، به كار گيري AxC در ML سبب رونق آن و شكوفايي دريچه اي به راه كار هاي ايده آل تر و بهينه تر شده است. با توجه به اهميت اين موضوع، روش‌هاي AxC به منظور بهبود بازده، كاهش مصرف انرژي و زمان محاسبات مورد توجه قرار گرفته و انتخاب مناسب ترين روش هاي آن براي يك برنامه چالش برانگيز شده است. بررسي ها نشان داده كه برنامه هاي كاربردي ML در برابر خطا و محاسبات سنگين مقاوم بوده ، قابليت هاي بهينه سازي بهتري را فراهم آورده و استفاده از آن در كنار AxC به يكي از محبوب ترين كاربرد ها تبديل شده است. در اين سمينار، ابتدا مفهوم يادگيري ماشين و روش هاي تقريب و انواع آن ها به صورت منحصر به فرد معرفي مي شوند. در ادامه ماهيت هم افزايي AxC و ML بيان شده و تأثير AxC در طراحي سيستم‌هاي كارآمد ML بيان شده و يك نماي كلي و طبقه‌بندي شده AxC براي ML ارائه مي‌شود. در ادامه مقالات مربوطه مورد بررسي قرار گرفته و به محدوديت ها و مشكلات آنان در نحوه محاسبات اشاره شده است. با كمك تركيبي از روش هاي يادگيري ماشين و روش هاي AxC، راه‌كار مناسب ارائه و روند بهبود بررسي مي گردد.

5/29/2024 12:00:00 AM

83158

1403/04/23

A Survey on Approximate Computing in Machine Learning and its Applications

محاسبات تقريبي , يادگيري ماشين , راندمان انرژي , دقت , بهبود عملكرد , بهينه سازي

Approximate computing , Machine learning , Energy efficiency , Accuracy , Performance improvement , Optimization