Publication Details:
Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։
Journal or Publication Title:
Date of publication:
Volume:
Number:
ISSN:
Official URL:
Additional Information:
Аветисян А. А., Григорян М. Т., Меликян А. В., Ավետիսյան Ա. Ա., Գրիգորյան Մ. Տ., Մելիքյան Ա. Վ.
Title:
Other title:
Реализация и сравнение алгоритмов глубокого обучения на платформах программируемых вентильных матриц и интегральных схем специального назначения ; Խոր ուսուցման ալգորիթմերի թեմատիկ ծրագրավորվող փականների զանգվածի և կիրառությանը կողմնորոշված ինտեգրալ սխեմաների հարթակների՝ վրա իրականացումը և համեմատումը
Creator:
Avetisyan, A. A. ; Grigoryan, M. T. ; Melikyan, A. V.
Contributor(s):
Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)
Subject:
Uncontrolled Keywords:
FPGA ; ASIC ; artificial intelligence ; neural networks
Coverage:
Abstract:
Issues on the enhancement of Artificial Intelligence (AI) performance using Field-Programmable Gate Arrays (FPGA) and Application-Specific Integrated Circuits (ASIC) are studied. It focuses on benchmarking and implementing deep learning algorithms, crucial components of modern AI, on these advanced hardware platforms. The study begins with an explanation of the significance of deep learning in AI and the growing need for efficient computing platforms like FPGA and ASIC. These platforms are known for their high-speed processing capabilities and low power consumption, making them ideal for AI applications. The research then delves into a detailed analysis of how deep learning algorithms can be optimized and executed on FPGA and ASIC platforms. It highlights the methods used to benchmark the performance of these algorithms on the mentioned hardware, providing a clear comparison with traditional computing systems. The paper also discusses the challenges and solutions in integrating deep learning algorithms into these specialized hardware environments. Further, the advantages of using FPGA and ASIC for AI tasks, including improved processing speed, reduced energy consumption, and enhanced ability to handle complex AI computations are studied.
Ներկայացվել է արհեստական բանականության (ԱԲ) կատարողականի բարելավման վերաբերյալ ուսումնասիրություն՝ օգտագործելով թեմատիկ ծրագրավորվող փականների զանգվածները (ԹԾՓԶ) և կիրառությանը կողմնորոշված ինտեգրալ սխեմաներ (ԿԿԻՍ): Աշխատանքում ուշադրությունը կենտրոնացվել է այս սարքային հարթակներում խոր ուսուցման ալգորիթմների՝ ժամանակակից ԱԲ-ի կարևոր բաղադրիչների չափորոշման և ներդրման վրա: Ուսումնասիրությունը սկսվում է ԱԲ-ում խոր ուսուցման նշանակության և արդյունավետ հաշվողական հարթակների, ինչպիսիք են ԹԾՓԶ-ն և ԿԿԻՍ-ը, աճող անհրաժեշտության ներկայացմամբ: Այս հարթակները հայտնի են իրենց բարձր արագությամբ մշակվելու հնարավորություններով և էներգիայի ցածր սպառմամբ, ինչը դրանք դարձնում է ԱԲ հավելվածների իրականացման համար գերազանց միջավայր: Հետազոտությամբ մանրամասն վերլուծվում է, թե ինչպես կարող են խոր ուսուցման ալգորիթմները լավարկվել և գործարկվել ԹԾՓԶ և ԿԿԻՍ հարթակներում: Ընդգծվում են նշված սարքավորումների վրա ալգորիթմների կատարողականությունը համեմատելու համար օգտագործվող եղանակները՝ ապահովելով հստակ համեմատություն ավանդական հաշվողական համակարգերի հետ: Քննարկվում են նաև այս սարքային մասնագիտացված միջավայրում խոր ուսուցման ալգորիթմների ներառման մարտահրավերներն ու լուծումները: Հետազոտվում են ԱԲ առաջադրանքների համար ԹԾՓԶ-ի և ԿԿԻՍ-ի օգտագործման առավելությունները, ներառյալ մշակման բարելավված արագությունը, էներգիայի կրճատված սպառումը և բարդ ԱԲ հաշվարկներ կատարելու բարձրացված ունակությունը:
Исследуются вопросы повышения производительности искусственного интеллекта (ИИ) с использованием программируемых вентильных матриц (ПВМ) и интегральных схем специального назначения (ИССН). Основное внимание уделяется тестированию и внедрению алгоритмов глубокого обучения, важнейших компонентов современного искусственного интеллекта, на этих передовых аппаратных платформах. Исследование начинается с объяснения значения глубокого обучения в ИИ и растущей потребности в эффективных вычислительных платформах, таких как ПВМ и ИССН. Эти платформы известны своими возможностями высокоскоростной обработки и низким энергопотреблением, что делает их идеальными для приложений искусственного интеллекта. Затем исследование углубляется в подробный анализ того, как алгоритмы глубокого обучения могут быть оптимизированы и реализованы на платформах ПВМ и ИССН. В нем освещаются методы, используемые для оценки производительности этих алгоритмов на упомянутом оборудовании, обеспечивая четкое сравнение с традиционными вычислительными системами. Обсуждаются проблемы и решения по интеграции алгоритмов глубокого обучения в эти специализированные аппаратные среды. Изучаются преимущества использования ПВМ и ИССН для задач ИИ, включая повышение скорости обработки, снижение энергопотребления и расширение возможностей обработки сложных вычислений ИИ.
Place of publishing:
Երևան
Publisher:
Type:
Format:
Call number:
Digitization:
ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան