• 2024年09月04日(水) 10:30 ~ 17:30

１．AI Everywhere（どこでもAI）時代に求められる軽量機械学習モデルの条件

　　（１）．どこでもAI時代のITシステム構成概要

　　（２）．どこでもAIのITシステムのサービス可能性

　　（３）．クラウドシステムのAIの条件

　　（４）．ゲートウエイ、スマートフォンのAIの条件

　　（５）．センサーシステムのAIの条件

　　（５）．クラウドからセンサーシステムまでスケーラブルな機械学習モデル

２．クラウドからセンサーシステムまで桁違いの許容エネルギー消費バジェット

　　（１）．エネルギーと消費電力との違いと関係

　　（２）．機械学習計算とエネルギーの関係

　　（３）．エネルギー消費量からくる様々なシステム制限：

　　　　ａ．クラウドにおける制限

　　　　ｂ．モバイルシステムにおける制限

　　　　ｃ．センサーシステムにおける制限

　　（４）．機械学習計算のエネルギー効率を高める手法　

３．深層学習モデル計算でのエネルギー消費と軽量化モデルの関係

　　（１）．深層学習モデルネットワークの概要説明

　　（２）．モデルパラメータの数と必要なメモリ容量

　　（３）．機械学習計算に必要なデータ移動と消費電力

　　（４）．深層学習モデルの計算でエネルギーの大半はどこで消費する

　　（５）．エネルギー消費を削減する手法

４．エネルギー効率を上げる様々な手法

　　（１）．モデルパラメータの表現精度量子化技術

　　（２）．ネットワークモデルパラメータの２値化表現

　　（３）．３２ビット浮動小数点からの具体的な２値化手法

　　（４）．モデルネットワークのpruning（刈り取り）手法

　　（５）．モデルネットワークのチャネルattention（注視）手法

　　（６）．モデルネットワークの空間attention（注視）手法

　　（７）．空間とチャネル混合attention（注視）手法

５．メモリの中で主要な機械学習処理を実現するComputing in Memory

　　（１）．Computing in Memoryが求められる背景

　　（２）．原理（なぜ記憶機能と乗算累積加算機能が兼用できるのか

　　（３）．機械学習モデルの軽量化との関係

６．SRAM型Computing in Memoryと機械学習モデルによる消費電力削減

　　（１）．SRAM（Static Random Access Memory）とは

　　（２）．メモリ内で機械学習計算をするSRAMの基本動作

　　（３）．SRAMをComputing in Memoryとして利用するときの動作

７．不揮発型Computing in Memoryと機械学習モデルによる消費電力削減

　　（１）．不揮発メモリの種類：MRAM、PRAM、RRAM

　　（２）．メモリ内で機械学習計算をする不揮発メモリの基本動作

　　（３）．不揮発メモリをComputing in Memoryとして利用するときの動作

８．今後の展望

　　（１）．発表技術事例と実用化状況

　　（２）．技術と実用化課題

　　（３）．将来展望

オンラインセミナー