On Evolutionary Approximation of Sigmoid Function for HW/SW Embedded Systems
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F17%3APU123658" target="_blank" >RIV/00216305:26230/17:PU123658 - isvavai.cz</a>
Výsledek na webu
<a href="http://www.fit.vutbr.cz/research/pubs/all.php?id=11298" target="_blank" >http://www.fit.vutbr.cz/research/pubs/all.php?id=11298</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-55696-3_22" target="_blank" >10.1007/978-3-319-55696-3_22</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
On Evolutionary Approximation of Sigmoid Function for HW/SW Embedded Systems
Popis výsledku v původním jazyce
Providing machine learning capabilities on low cost electronic devices is a challenging goal especially in the context of the Internet of Things paradigm. In order to deliver high performance machine intelligence on low power devices, suitable hardware accelerators have to be introduced. In this paper, we developed a method enabling to evolve a hardware implementation together with a corresponding software controller for key components of smart embedded systems. The proposed approach is based on a multi-objective design space exploration conducted by means of extended linear genetic programming. The approach was evaluated in the task of approximate sigmoid function design which is an important component of hardware implementations of neural networks. During these experiments, we automatically re-discovered some approximate sigmoid functions known from the literature. The method was implemented as an extension of an existing platform supporting concurrent evolution of hardware and software of embedded systems.
Název v anglickém jazyce
On Evolutionary Approximation of Sigmoid Function for HW/SW Embedded Systems
Popis výsledku anglicky
Providing machine learning capabilities on low cost electronic devices is a challenging goal especially in the context of the Internet of Things paradigm. In order to deliver high performance machine intelligence on low power devices, suitable hardware accelerators have to be introduced. In this paper, we developed a method enabling to evolve a hardware implementation together with a corresponding software controller for key components of smart embedded systems. The proposed approach is based on a multi-objective design space exploration conducted by means of extended linear genetic programming. The approach was evaluated in the task of approximate sigmoid function design which is an important component of hardware implementations of neural networks. During these experiments, we automatically re-discovered some approximate sigmoid functions known from the literature. The method was implemented as an extension of an existing platform supporting concurrent evolution of hardware and software of embedded systems.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20206 - Computer hardware and architecture
Návaznosti výsledku
Projekt
<a href="/cs/project/GA16-17538S" target="_blank" >GA16-17538S: Přibližná ekvivalence pro aproximativní počítání</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
20th European Conference on Genetic Programming, EuroGP 2017
ISBN
978-3-319-55696-3
ISSN
—
e-ISSN
—
Počet stran výsledku
16
Strana od-do
343-358
Název nakladatele
Springer International Publishing
Místo vydání
Berlin
Místo konání akce
Amsterdam
Datum konání akce
19. 4. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000413012200022