مطالعه بهینه سازی کارایی سخت افزار برای شبکه های عصبی با حافظه طولانی مدت و کوتاه مدت

شبکه های عصبی ، که با الهام از ساختار مغز انسان ساخته شدهاند، به طور گسترده در هوش مصنوعی و یادگیری ماشینبرای وظایفی مختلف از جمله استخراج ویژگی ها، طبقه بندی داده و کنترل سیستم ها مورد استفاده قرار می گیرند. دلیلاین کاربرد گسترده، به خاطر داشتن ویژگی های غیرخطی و توانایی خود -انطباقی این شبکه ها است. این مقاله بهبررسی پیاده سازی سخت افزاری شبکه های عصبی حافظه طولانی مدت و کوتاه مدت می پردازد، که نوعی پیشرفته ازشبکه های عصبی بازگشتی هستند که به دلیل تواناییشان در پردازش داده های ترتیبی به خوبی شناخته شده اند. با اینحال، تقاضای محاسباتی بالای شبکه های LSTM باعث ایجاد چالش های بزرگی در پیاده سازی سخت افزاری به ویژه در محیطهایی با منابع محدود، مانند اینترنت اشیا شده است. در این مقاله، پیشرفت های اخیر در خصوص طراحی سخت افزار برای شبکه های LSTM مورد بررسی قرار می گیرند، با تاکید بر روشهایی که از محاسبات غیر دقیق بهره میبرند تا پیچیدگی سخت افزاری و مصرف انرژی را کاهش دهند.همچنین، این مقاله به بررسی سایر تکنیک های مختلف بهینه سازی مانند الگوریتم های فشرده سازی و هرس کردن شبکه های عصبی در جهت بهبود کارایی پردازش LSTMمی پردازد و ظرفیت این روش ها را ارزیابی می کند. علاوه بر این، مقاله به بررسی موازنه های موجود بین دقت و مصرفمنابع در زمینه استفاده این روشهای نوظهور سخت افزاری می پردازد.

کلیدواژه ها:

شبکه های عصبی ، حافظه طولانیمدت و کوتاه مدت ، محاسبات تصادفی ، محاسبات تقریبی