MARC

 008260126s2024        us                              c    eng  d
■001000017360675
■00520260202105604
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265405890
■035    ▼a(MiAaPQ)AAI32316059
■035    ▼a(MiAaPQ)GeorgiaTech76975
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006
■1001  ▼aMa,  Kwondo.
■24510▼aError  Resilient  and  Adaptive  Deep  Learning  Systems
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Chatterjee,  Abhijit.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aAs  deep  learning  systems  become  integral  to  a  wide  array  of  applications,  including  autonomous  systems,  healthcare,  and  finance,  their  complexity  and  deployment  in  hardware  bring  new  challenges.  In  particular,  the  susceptibility  of  deep  learning  systems  to  hardware-induced  errors,  manufacturing  process  variability,  and  resource  constraints  presents  critical  obstacles  to  their  reliable  and  efficient  operation.  This  dissertation  addresses  these  issues  by  introducing  methodologies  that  enhance  error  resilience,  adaptability,  and  energy  efficiency  in  deep  learning  systems.  The  motivation  for  this  work  stems  from  the  increasing  integration  of  deep  learning  systems  into  real-world  applications  where  reliability  and  robustness  are  paramount.  The  inherent  variability  in  hardware-such  as  resistive  RAM  (RRAM)-and  the  need  for  efficient  testing  and  tuning  processes  highlight  the  need  for  adaptive  systems  that  can  mitigate  the  impact  of  these  variabilities.  Additionally,  the  demand  for  low-power,  high-performance  hardware  accelerators  in  edge  computing  environments  presents  further  challenges  in  balancing  computational  efficiency  and  energy  consumption.  In  response  to  these  challenges,  this  research  proposes  a  signature-based  predictive  testing  framework  for  detecting  performance  degradation  caused  by  process  variability  in  hardware  implementations  of  deep  neural  networks  (DNNs).  This  framework  introduces  a  compact,  efficient  testing  mechanism  that  significantly  improves  the  ability  to  identify  defective  devices  during  manufacturing,  while  also  adapting  to  evolving  manufacturing  conditions  through  continuous  retraining.  Furthermore,  a  learning-assisted  postmanufacture  tuning  framework  is  developed  to  optimize  the  performance  of  DNN  accelerators,  ensuring  higher  yields  and  greater  reliability  in  fault-sensitive  environments.  This  framework  allows  the  system  to  adapt  its  tuning  strategies  over  time,  reducing  the  need  for  exhaustive  retraining  while  maintaining  operational  efficiency.  The  dissertation  also  addresses  the  resilience  of  Transformer  architectures  to  soft  errors,  a  growing  concern  in  high-performance  applications  such  as  natural  language  processing,  and  vision  and  image  processing.  The  proposed  approach  combines  error  detection  and  suppression  techniques  to  restore  model  performance  under  various  error  conditions,  demonstrating  the  robustness  of  Transformer  networks  when  deployed  in  real-world,  error-prone  environments.  Finally,  the  work  presents  a  novel  energy-efficient  DNN  accelerator  design  that  replaces  traditional  multiplication  operations  with  shift-add  computations,  substantially  reducing  power  consumption  and  latency.  This  architecture  is  particularly  suited  for  low-power  applications  in  edge  and  Internet  of  Things  (IoT)  devices,  offering  a  practical  solution  for  the  deployment  of  deep  learning  models  in  energy-constrained  settings.  Overall,  this  research  makes  significant  contributions  toward  improving  the  reliability  and  adaptability  of  deep  learning  systems,  addressing  key  limitations  in  error  resilience,  manufacturing  yield,  and  energy  efficiency.  These  methodologies  pave  the  way  for  the  development  of  robust,  efficient  AI  technologies  capable  of  thriving  in  diverse  and  challenging  environments.
■590    ▼aSchool  code:  0078.
■650  4▼aDeep  learning
■650  4▼aError  correction  &  detection
■650  4▼aVoice  recognition
■650  4▼aNeural  networks
■650  4▼aAdaptation
■650  4▼aEnergy  efficiency
■650  4▼aMachine  translation
■650  4▼aNatural  language  processing
■650  4▼aFault  tolerance
■650  4▼aIndustrial  engineering
■650  4▼aSustainability
■690    ▼a0800
■690    ▼a0546
■690    ▼a0640
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360675▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서