Entraînement de réseaux de neurones profonds à faible énergie en exploitant les compromis énergie-fiabilité

L的智能人工智能(IA)是一种应用于神经元自动化的算法，它超越了传统的人工智能(IA)，它接近于现有的大规模智能系统，难以辨别侦察的声音。首屈一指的是演出，S的情结和S的情结，以及其他重要的东西。最重要的是切切尔的资本和组织，以及S和S的参与，这是一位出色的演员。L的研究和发展方案将进一步扩大这一领域的应用。项目融资资助中心和项目管理中心L的项目融资和财政补助部分，是系统和财务管理不力的根源，也是造成L损失的主要原因。《建筑设计与技术规范》，《建筑工程技术规范》，《建筑技术规范》。具有重要意义的是，L的《神经元的需求》、《S的建议》、《S的建议》，以及《实施方案》，提供了大量可供使用的产品，加上宏大的产品和多样化的产品，以及其他可持续的、可持续的探索者S的产品。

Les algorithmes d'apprentissage automatique basés sur des réseaux de neurones profonds ont révolutionné le domaine de l'intelligence artificielle (IA) en surpassant largement les approches existantes sur un grand nombre de tâches difficiles telles que la reconnaissance vocale ou la vision par ordinateur. Cependant, pour atteindre les meilleures performances, ces réseaux doivent être très complexes et être entraînés avec une grande quantité de données, ce qui requiert une importante dépense d'énergie. Il est donc d'une importance capitale de chercher à réduire la consommation d'énergie des tâches d'entraînement, d'autant plus que les progrès réalisés en IA ont toujours été fortement liés à la disponibilité de matériel de calcul performant. Le programme de recherche présenté vise à développer des approches pour grandement réduire la consommation d'énergie liée à l'entraînement des réseaux de neurones profonds et à leur utilisation. La portion du programme financée par la subvention Découverte se concentre sur l'entraînement et obtiendra des réductions d'énergie en éliminant une source d'inefficacité des systèmes de calcul qui est actuellement négligée, spécifiquement les compromis que l'on retrouve dans ces systèmes entre consommation d'énergie et fiabilité. Plusieurs méthodes seront proposées permettant d'obtenir des résultats d'entraînement équivalents même en présence d'erreurs de calcul occasionnelles, d'identifier les configurations du système qui minimisent la consommation d'énergie, et de garantir la qualité des systèmes de calcul fabriqués. De plus un prototype d'accélérateur de calcul à faible consommation d'énergie sera fabriqué afin de démontrer les réductions d'énergie obtenues. En réduisant significativement l'énergie requise pour entraîner un réseau de neurones, les travaux proposés permettront de réduire le coût monétaire des tâches d'entraînement et donc de rendre les méthodes d'apprentissage profond accessibles à un groupe d'utilisateurs plus grand et plus diversifié, tout en permettant aux chercheurs de continuer à explorer les possibilités offertes par des modèles encore plus complexes.