توضیحات
The transition towards exascale computing has resulted in major transformations in computing paradigms. The need to analyze and respond to such large amounts of data sets has led to the adoption of machine learning (ML) and deep learning (DL) methods in a wide range of applications.
One of the major challenges is the fetching of data from computing memory and writing it back without experiencing a memory-wall bottleneck. To address such concerns, in-memory computing (IMC) and supporting frameworks have been introduced. In-memory computing methods have ultra-low power and high-density embedded storage. Resistive Random-Access Memory (ReRAM) technology seems the most promising IMC solution due to its minimized leakage power, reduced power consumption and smaller hardware footprint, as well as its compatibility with CMOS technology, which is widely used in industry.
In this book, the authors introduce ReRAM techniques for performing distributed computing using IMC accelerators, present ReRAM-based IMC architectures that can perform computations of ML and data-intensive applications, as well as strategies to map ML designs onto hardware accelerators.
The book serves as a bridge between researchers in the computing domain (algorithm designers for ML and DL) and computing hardware designers.
————————————————————–
ترجمه ماشینی :
گذار به سمت محاسبات مقیاس اگزا منجر به تحولات عمده در پارادایم های محاسباتی شده است. نیاز به تجزیه و تحلیل و پاسخ به چنین مقادیر زیادی از مجموعه داده ها منجر به اتخاذ روش های یادگیری ماشینی (ML) و یادگیری عمیق (DL) در طیف گسترده ای از برنامه ها شده است.
یکی از چالش های اصلی است. واکشی داده ها از حافظه محاسباتی و بازنویسی آن بدون تجربه تنگنای دیواره حافظه است. برای رفع چنین نگرانیهایی، محاسبات درون حافظه (IMC) و چارچوبهای پشتیبانی معرفی شدهاند. روشهای محاسباتی درون حافظه دارای قدرت بسیار کم و ذخیرهسازی جاسازی شده با چگالی بالا هستند. فناوری حافظه با دسترسی تصادفی مقاومتی (ReRAM) به دلیل به حداقل رساندن قدرت نشتی، کاهش مصرف انرژی و ردپای سختافزاری کوچکتر و همچنین سازگاری آن با فناوری CMOS، که به طور گسترده در صنعت استفاده میشود، امیدوارکنندهترین راهحل IMC به نظر میرسد.
در این کتاب، نویسندگان تکنیکهای ReRAM را برای انجام محاسبات توزیعشده با استفاده از شتابدهندههای IMC معرفی میکنند، معماریهای IMC مبتنی بر ReRAM را ارائه میکنند که میتوانند محاسبات برنامههای کاربردی ML و داده فشرده را انجام دهند، و همچنین استراتژیهایی برای نگاشت طرحهای ML بر روی شتابدهندههای سختافزاری.
این کتاب به عنوان پلی بین محققان در حوزه محاسبات (طراحان الگوریتم برای ML و DL) و طراحان سخت افزار محاسباتی عمل می کند.
tag : دانلود کتاب یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) , Download یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) , دانلود یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) , Download ReRAM-based Machine Learning (Computing and Networks) Book , یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) دانلود , buy یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) , خرید کتاب یادگیری ماشین مبتنی بر ReRAM (محاسبات و شبکه) , دانلود کتاب ReRAM-based Machine Learning (Computing and Networks) , کتاب ReRAM-based Machine Learning (Computing and Networks) , دانلود ReRAM-based Machine Learning (Computing and Networks) , خرید ReRAM-based Machine Learning (Computing and Networks) , خرید کتاب ReRAM-based Machine Learning (Computing and Networks) ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.