Abriendo la caja negra

Opening the black box

.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_de { background: url(../images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(../images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘../images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘../images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

Investigadores de la Universidad Estatal de Arizona (ASU) y la Universidad de California, Los Ángeles esperan permitir a los científicos y diseñadores de procesadores comprender el razonamiento subyacente de los diseños de aceleradores de aprendizaje profundo a través de la exploración del espacio de diseño explicativo (DSE por sus siglas en inglés).

Shail Dave de ASU dijo que los diseños de hardware y software suelen optimizarse mediante mecanismos de caja negra que “requieren cantidades excesivas de ejecuciones de prueba debido a su falta de explicabilidad y razonamiento involucrado en cómo la selección de una configuración de diseño afecta la calidad general del diseño”.

El DSE explicativo simplifica el proceso de toma de decisiones del acelerador para que las elecciones de métodos de diseño puedan hacerse en minutos en lugar de días o semanas, lo que respalda modelos más pequeños, más sistemáticos y más eficientes en energía.

• Las 10 habilidades de IA más importantes para conseguir un trabajo en 2023
• Base de datos de vectores ¡Una guía para principiantes!
• 9 Mejores sitios web de IA (Tienes que probar antes de morir)

El algoritmo de Dave puede investigar soluciones de diseño relacionadas con múltiples aplicaciones, incluidas aquellas que difieren en funcionalidad o características de procesamiento, al tiempo que resuelve las ineficiencias de ejecución de sus productos. Desde ASU News Ver artículo completo

Derechos de autor de los resúmenes © 2023 SmithBucklin, Washington, D.C., EE. UU.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!