MARC

 008260126s2025        us                              c    eng  d
■001000017359894
■00520260202105232
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297610064
■035    ▼a(MiAaPQ)AAI32271908
■035    ▼a(MiAaPQ)umichrackham006396
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aMcCrabb,  Andrew.
■24510▼aDomain-Specific  Benchmarks  and  Architectures  for  Applications  Using  Graph-Based  Data
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a214  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Bertacco,  Valeria  M.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aGraph-based  processing  enables  many  applications  in  logistics,  e-commerce,  social  media,  and  more.  However,  graph  workloads  are  slow:  they  are  bottlenecked  not  by  compute  power,  but  by  inefficient  data  access.  As  useful  graphs  get  larger  and  graph-based  algorithms  become  more  complex,  adding  more  powerful  compute  units  like  Graphics  Processing  Units  (GPUs)  or  Tensor  Processing  Units  (TPUs)  cannot  keep  up  with  the  increasing  size  and  complexity  of  these  workloads.To  address  these  challenges,  we  first  introduce  a  novel  taxonomy  of  graph-based  algorithms:  those  that  treat  graphs  (1)  as  data  frameworks,  (2)  as  algorithmic  frameworks,  or  (3)  as  both.  Each  category  has  overlapping  needs:  higher  memory  bandwidth,  better  data  organization,  and  greater  thread-level  parallelism.  Next,  we  demonstrate  that  custom  processing-in-memory  (PIM)  hardware  accelerators  are  effective  and  energy-efficient  solutions  to  the  compute  and  memory  bottlenecks  of  graph-based  applications.Specifically,  we  propose  and  evaluate  three  custom  PIM  accelerators,  DREDGE  (for  graph-as-data-framework  applications),  ACRE  (for  graph-as-algorithmic-framework  applications),  and  GLEAM  (for  graph-as-both  applications),  each  targeting  one  of  the  three  categories  of  graph  applications.  DREDGE  targets  dynamic  graph  applications  by  introducing  a  novel  partitioning  technique  and  dedicated  hardware  support  to  continuously  improve  data  organization  in  memory.  ACRE  accelerates  the  training  of  tree-based  machine  learning  models  in  a  way  that  allows  users  to  better  understand  the  models'  reasoning.  GLEAM  targets  graph  neural  networks,  the  primary  machine  learning  models  for  graph-based  data,  accelerating  the  node  aggregation  operations  that  bottleneck  training  and  inference  operations.  These  three  designs  offer  a  2.5-14x  speedup  for  their  respective  applications,  and  they  save  77-93%  of  total  system  energy  over  their  respective  baselines.  Each  design  fits  within  the  logic  area  of  modern  3D-stacked  memory:  0.3-13%  of  the  available  logic  space.  Finally,  we  present  two  benchmark  suites,  DyGraph  and  BeXAI,  making  them  publicly  available  to  support  future  research  in  dynamic  graphs  processing  and  explainable  machine  learning  acceleration.  Together,  these  contributions  enable  efficient  and  scalable  graph  computing  to  handle  the  demands  of  tomorrow's  graph  workloads.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aMemory
■653    ▼aGraph  processing
■653    ▼aHardware  accelerators
■653    ▼aGraphics  Processing  Units
■653    ▼aTensor  Processing  Units
■690    ▼a0464
■690    ▼a0984
■690    ▼a0489
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359894▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서