prindi

DeepAxe : a framework for exploration of approximation and reliability trade-offs in DNN accelerators

autor
Taheri, Mahdi
Riazati, Mohamad
Ahmadilivani, Mohammad Hasan
Jenihhin, Maksim
Daneshtalab, Masoud
Raik, Jaan
Sjödin, Mikael
Lisper, Björn
vastutusandmed
Mahdi Taheri, Mohammad Riazati, Mohammad Hasan Ahmadilivani, Maksim Jenihhin, Masoud Daneshtalab, Jaan Raik, Mikael Sjodin, Bjorn Lisper
allikas
arXiv.org
kirjastus/väljaandja
IEEE
ajakirja aastakäik number kuu
arXiv:2303.08226
ilmumisaasta
2023
leheküljed
8 p. : ill
leitav
https://doi.org/10.48550/arXiv.2303.08226
märksõna
testimine
rikked
kompuutersimulatsioon
tehisnärvivõrgud
võtmesõna
deep neural networks
approximate computing
fault simulation
reliability
resiliency assessment
märkused
This paper is accepted at the 24th International Symposium on Quality Electronic Design (ISQED) 2023
teaduspublikatsioon
teaduspublikatsioon
klassifikaator
3.1
TTÜ struktuuriüksus
arvutisüsteemide instituut
keel
inglise
Uurimisrühm
Töökindla arvutusriistvara keskus (TARK)
Taheri, M., Riazati, M., Ahmadilivani, M.H., Jenihhin, M., Daneshtalab, M., Raik, J., Sjödin, M., Lisper, B. DeepAxe : a framework for exploration of approximation and reliability trade-offs in DNN accelerators // arXiv.org (2023) arXiv:2303.08226, 8 p. : ill. https://doi.org/10.48550/arXiv.2303.08226