In-Memory Computing Architectures for Big Data and Machine Learning Applications
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F22%3A10252016" target="_blank" >RIV/61989100:27240/22:10252016 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-981-19-8069-5_2" target="_blank" >https://link.springer.com/chapter/10.1007/978-981-19-8069-5_2</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-981-19-8069-5_2" target="_blank" >10.1007/978-981-19-8069-5_2</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
In-Memory Computing Architectures for Big Data and Machine Learning Applications
Popis výsledku v původním jazyce
Traditional computing hardware is working to meet the extensive computational load presented by the rapidly growing Machine Learning (ML) and Artificial Intelligence algorithms such as Deep Neural Networks and Big Data. In order to get hardware solutions to meet the low-latency and high-throughput computational needs of these algorithms, Non-Von Neumann computing architectures such as In-memory Computing (IMC) have been extensively researched and experimented with over the last five years. This study analyses and reviews works designed to accelerate Machine Learning task. We investigate different architectural aspects and directions and provide our comparative evaluations. We further discuss IMC research's challenges and limitations and present possible directions.
Název v anglickém jazyce
In-Memory Computing Architectures for Big Data and Machine Learning Applications
Popis výsledku anglicky
Traditional computing hardware is working to meet the extensive computational load presented by the rapidly growing Machine Learning (ML) and Artificial Intelligence algorithms such as Deep Neural Networks and Big Data. In order to get hardware solutions to meet the low-latency and high-throughput computational needs of these algorithms, Non-Von Neumann computing architectures such as In-memory Computing (IMC) have been extensively researched and experimented with over the last five years. This study analyses and reviews works designed to accelerate Machine Learning task. We investigate different architectural aspects and directions and provide our comparative evaluations. We further discuss IMC research's challenges and limitations and present possible directions.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2022
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
FUTURE DATA AND SECURITY ENGINEERING. BIG DATA, SECURITY AND PRIVACY, SMART CITY AND INDUSTRY 4.0 APPLICATIONS, FDSE 2022
ISBN
978-981-19806-9-5
ISSN
1865-0929
e-ISSN
1865-0937
Počet stran výsledku
15
Strana od-do
19-33
Název nakladatele
SPRINGER INTERNATIONAL PUBLISHING AG
Místo vydání
CHAM
Místo konání akce
Ho Chi Minh
Datum konání akce
23. 11. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000921145600002