计算统计与机器学习成立于 2016 年,研究机器学习的基础。我们专注于统计原理和计算效率的方法,使用概率和统计以及数值分析和优化技术。后者为设计学习算法和分析其计算特性提供了通用框架。前者为解决数据不确定性和描述学习算法的泛化特性提供了数学基础。我们一直活跃于机器学习理论和算法的不同领域。最近的兴趣包括算法公平性、强盗和零阶优化、双层优化和学习动态系统。
脉冲神经网络 (SNN) 的固有效率使其成为可穿戴健康监测的理想选择。SNN 通过事件驱动处理和稀疏激活进行操作,与传统 CNN 相比,功耗更低。这种节能方法与可穿戴设备的限制非常吻合,可确保长时间使用并最大程度地降低对用户体验的影响。另一种降低可穿戴健康监测 SNN 功耗的技术是近似计算。这种方法使资源受限的可穿戴设备能够实现计算效率,从而提高健康监测设备的使用寿命和可用性。
创造能够达到或超越人类智能的人工智能设备的梦想由来已久,然而,尽管在过去 50 年中付出了巨大努力,但尚未找到真正智能的计算效率理论。如今,大多数研究都比较温和,专注于解决更狭窄、更具体的问题,这些问题仅与智能的某些方面有关,如下棋或自然语言翻译,要么将其作为目标本身,要么作为一种自下而上的方法。双重自上而下的方法是找到通用智能的数学(而非计算)定义。请注意,即使忽略计算方面,人工智能问题仍然不简单。
摘要 — 在过去的几年中,每月都会有新的机器学习加速器发布,用于语音识别、视频对象检测、辅助驾驶和许多数据中心应用等各种应用。本文更新了过去两年对人工智能加速器和处理器的调查。本文收集并总结了目前已公开发布的商用加速器,并给出了峰值性能和功耗数字。性能和功率值绘制在散点图上,并再次讨论和分析了该图上趋势中的许多维度和观察结果。今年,我们还编制了一份基准性能结果列表,并计算了相对于峰值性能的计算效率。
摘要:本文提出了一种基于驾驶模式识别、驾驶工况预测和模型预测控制的串联式混合动力汽车能量管理策略,以在维持电池荷电状态的同时改善燃油消耗。为了进一步提高计算效率,对模型进行了离散化和线性化,将MPC问题转化为二次规划问题,通过内点法可以有效地求解。利用Matlab/Simulink平台进行仿真,仿真结果验证了状态预测方法的可行性和所提方法的性能。此外,与基于规则的方法相比,预测控制策略成功地提高了混合动力汽车的燃油经济性。
摘要 - 优化人工神经网络的计算效率对于资源受限的平台(例如自主驾驶系统)至关重要。为了应对这一挑战,我们提出了一个轻巧的上下文感知网络(LCNET),该网络加速了语义细分,同时在本文中保持了推理速度和细分精度之间的有利权衡。提出的LCNET引入了部分通道转换(PCT)策略,以最大程度地减少基本单元的计算潜伏期和硬件要求。在PCT块中,三个分支的上下文聚合(TCA)模块扩展了功能接收场,从而捕获多尺度上下文信息。此外,双重注意引导的解码器(DD)恢复了空间细节并增强了像素预测的认可。在三个基准上进行的广泛实验证明了拟议的LCNET模型的有效性和效率。值得注意的是,一个较小的LCNET 3_7仅获得了73.8%MIOU,只有51万个参数,分别使用单个RTX 3090 GPU和Jetson Xavier NX,其令人印象深刻的推理速度约为142.5 fps和〜9 fps。更准确的LCNET 3_11版本可以在约117 fps的推理速度下以相同的分辨率达到75.8%MIOU,在城市景观上约为117 fps推理速度。可以在较小的图像分辨率下实现更快的推理速度。LCNET在移动应用程序方案 - iOS的计算效率和预测能力之间取得了巨大的平衡。代码可在https://github.com/lztjy/lcnet上找到。
MME 简介 英特尔® Gaudi® 3 AI 加速器矩阵乘法引擎 (MME) 代表英特尔® Gaudi® 加速器系列 MME 引擎的第 5 代。这些 MME 是专用的高性能计算核心,专为矩阵运算而设计,矩阵运算是深度学习算法的基础计算类型。英特尔® Gaudi® 3 AI 加速器包含八个这样的 MME,每个 MME 都能够执行令人印象深刻的 64K 并行运算。这种大规模并行性可实现高度的计算效率,使这些 MME 特别擅长处理深度学习工作负载中普遍存在的复杂矩阵运算。
值得记住的是,虽然单个组件可以用数学优雅而有效地建模,但服务于社会的复杂系统本质上是混乱的。它们必须适应人类的习惯和程序,理解口头和非口头暗示,并呈现对人类用户来说直观的界面,以及其他标准。换句话说,它们必须对人类使用有效,即使计算效率不高。因此,应对我们的重大研究挑战需要来自认知心理学、生物医学工程、数学和语言学等许多领域的专家的合作。我们目前缺乏一个强大的、概括性的框架,为协调和激励这一必要的研究工作提供首要的背景。我们相信,我们的一系列重大研究挑战提供了这样的框架。
摘要这项研究工作着重于零知识密码学及其在区块链技术中的应用。零知识加密的理论基础,其实际应用和局限性得到了解决,并探讨了适用于区块链的现有协议。在区块链的背景下,讨论了隐私和机密性的挑战,以及这种类型的密码学如何减轻这些挑战。检查了几个加密协议,并提供了通过Zkledger系统实现的示例。最后,确定了该领域的一些当前挑战,包括计算效率,可伸缩性和互操作性。该工作室旨在提供应用于区块链的零知识加密的最新愿景,并作为该领域未来研究的起点。