کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6886027 | 1444616 | 2018 | 34 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Deep reinforcement learning: Algorithm, applications, and ultra-low-power implementation
ترجمه فارسی عنوان
یادگیری تقویت عمیق: الگوریتم، برنامه های کاربردی، و اجرای بسیار کم قدرت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری تقویت عمیق، الگوریتم، محاسبات اتفاقی، فوق العاده کم قدرت،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
شبکه های کامپیوتری و ارتباطات
چکیده انگلیسی
The DRL framework is mainly utilized for the complicated control problems and requires light-weight and low-power implementations in edge and portable systems. In order to achieve this goal, we develop the ultra-low-power implementation of the DRL framework using the stochastic computing technique, which has the potential of significantly enhancing the computation speed and reducing hardware footprint and therefore the power/energy consumption. The overall implementation is based on the effective stochastic computing-based implementations of approximate parallel counter-based inner product blocks and tanh activation functions. The stochastic computing-based implementation achieves only 57941.61 μm2 area and 6.30 mW power with 412.47 ns delay.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Nano Communication Networks - Volume 16, June 2018, Pages 81-90
Journal: Nano Communication Networks - Volume 16, June 2018, Pages 81-90
نویسندگان
Hongjia Li, Ruizhe Cai, Ning Liu, Xue Lin, Yanzhi Wang,