MARC

 008250123s2024        us                              c    eng  d
■001000017161061
■00520250211151156
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382783475
■035    ▼a(MiAaPQ)AAI31236475
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aKrishnan,  Srivatsan.▼0(orcid)0000-0002-7148-5389
■24510▼aDesigning  Efficient  Domain-Specific  Architectures  for  Autonomous  Systems
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a299  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  A.
■500    ▼aAdvisor:  Janapa  Reddi,  Vijay.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aThe  rapid  development  of  deep  learning  models  is  driving  a  remarkable  expansion  in  capabilities  for  a  wide  array  of  real-world  applications,  from  smart  sensors  to  autonomous  systems  like  self-driving  cars  and  aerial  robots.  These  innovations  bring  the  promise  of  unparalleled  intelligence  and  autonomy.  Yet,  efficiently  implementing  these  AI  models  in  autonomous  systems  poses  a  significant  challenge,  a  key  to  unlocking  their  full  potential  in  practical  applications.  As  Moore's  Law  begins  to  plateau,  computer  architects  are  increasingly  focusing  on  domain-specific  architectures  to  meet  the  evolving  performance  demands  of  these  complex  domains.Designing  domain-specific  architectures  for  autonomous  systems  presents  unique  challenges.  These  systems  are  complex,  involving  multiple  critical  components  such  as  compute  systems,  sensors,  controllers,  and  physical  limitations  like  size,  weight,  and  power.  This  complexity  is  exacerbated  by  two  main  factors.  First,  current  methodologies  in  designing  domain-specific  architectures  often  result  in  inefficiencies,  as  they  focus  narrowly  on  compute-centric  metrics,  neglecting  the  autonomous  system's  holistic  performance  needs.  Second,  the  evolving  landscape  of  AI  models  and  the  diversity  of  autonomous  systems  call  for  domain-specific  architectures  that  are  not  only  efficient  in  a  holistic  sense  but  also  flexible  enough  to  adapt  to  rapidly  changing  AI  model  landscape.  This  scenario  underscores  the  necessity  to  develop  methodologies  and  tools  that  span  from  efficient  training  of  AI  models  to  their  characterization  and  the  creation  of  automated  design  methodologies  for  domain-specific  architectures,  for  the  effective  deployment  of  these  models  in  autonomous  systems.This  thesis  presents  systematic  methodologies  and  tools  for  designing  domain-specific  architectures.  It  introduces  a  holistic  framework  specifically  crafted  for  training  AI  models  for  autonomous  systems.  It  leverages  deep  reinforcement  learning  combined  with  domain  randomization  and  hardware-in-the-loop  techniques  to  validate  AI  models  across  various  deployment  scenarios.  These  methods  ensure  that  the  models  are  not  only  functional  in  simulations  but  also  effective  in  revealing  system-level  bottlenecks  when  deployed  on  aerial  robots.  Furthermore,  the  thesis  introduces  tailored  performance  bottleneck  tools  like  roofline  models,  designed  for  autonomous  aerial  robots.  These  tools  are  instrumental  in  identifying  and  addressing  computational  bottlenecks,  while  also  considering  sensor  and  physical  characteristics  unique  to  autonomous  systems,  thus  optimizing  system  performance.Moreover,  much  of  the  research  focuses  on  creating  custom  domain-specific  architectures,  employing  machine  learning  as  a  tool  to  automate  their  design  for  autonomous  systems.  The  thesis  demonstrates  that  a  cross-stack  approach  in  designing  hardware  and  software  is  critical  for  optimizing  the  safety  and  performance  of  autonomous  systems.  By  integrating  components  such  as  sensors,  compute  elements,  and  controllers,  this  comprehensive  strategy  ensures  that  the  domain-specific  architectures  are  efficient  and  balanced,  maximizing  mission-level  performance.  Additionally,  the  thesis  acknowledges  the  vast  design  space  involved  in  creating  domain-specific  architectures  and  proposes  standardized  interfaces  to  apply  machine  learning  automatic  design  space  exploration.  This  approach  streamlines  the  process,  efficiently  navigating  and  pinpointing  optimal  solutions,  thereby  significantly  reducing  the  complexity  and  time  required  in  the  design  process.In  conclusion,  the  thesis  contributes  by  providing  a  comprehensive  methodologies,  performance  models  and  tools  for  the  design  and  optimization  of  domain-specific  architectures.  These  contributions  not  only  address  the  current  challenges  in  the  field  but  also  pave  the  way  for  future  advancements  in  the  deployment  and  efficiency  of  AI  models  in  autonomous  systems,  ensuring  their  practical  and  effective  application  in  a  rapidly  evolving  technological  landscape.
■590    ▼aSchool  code:  0084.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aLandscape  architecture
■650  4▼aRobotics
■653    ▼aAerial  robotics
■653    ▼aAutonomous  machines
■653    ▼aComputer  architectures
■653    ▼aDomain-specific  architectures
■653    ▼aMachine  learning
■690    ▼a0544
■690    ▼a0800
■690    ▼a0464
■690    ▼a0390
■690    ▼a0771
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Engineering  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-12A.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161061▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books