Tesla社の特許
US20200210832A1:System and method for adapting a neural network model on a hardware platform
ニーズ
機械学習アプリケーションの場合、以前に実装されていないプラットフォーム(ソフトウェア/ハードウェアの組み合わせなど)にニューラルネットワークを実装および/または構成することが望ましい場合があります。
ただし、特定のプラットフォームおよび/またはアプリケーション(ユースケースなど)のニューラルネットワークの実装または構成は非常に難しい場合があります。
これは、ニューラルネットワーク、ハードウェアコンポーネント、ソフトウェア、および/またはアプリケーションが異なると、複雑な制約を課す要件が異なる場合があるためです。
この充足可能性の問題は複雑になる可能性があり、ニューラルネットワークモデルを実装するシステムの開発者または管理者が手動で調査するには、かなりの時間、エネルギー、およびリソースが必要になります。
現状
ニューラルネットワークは、例として、入力データにラベルを付けたり、分類したりするのが簡単なため、さまざまな問題にますます依存するようになっています。ニューラルネットワークは、少なくとも部分的には、ハイパーパラメータとパラメータのさまざまな組み合わせによって定義できます。一般的に、ハイパーパラメータが異なるさまざまなニューラルネットワークがトレーニングされます。次に、これらの異なるニューラルネットワークを使用して、同じ検証トレーニングセットを分析し、特定のアプリケーションの望ましいパフォーマンスまたは精度の目標に基づいて、将来の使用のために特定のニューラルネットワークを選択します。
解決方法
充足可能性技術は、ハードウェアまたはソフトウェアプラットフォームに関連する受信された入力情報に基づいてニューラルネットワークの構成を決定するために使用され得る。
入力情報の例には、さまざまな構成、決定ポイント、プラットフォーム情報などが含まれる場合があります。