为满足商业和科学应用的深度学习的极端计算需求，Dataflow加速器越来越受欢迎。虽然这些“特定于域的”加速器不是完全可编程的CPU和GPU，但它们对数据编程，即数据流和平铺优化来保持不同的灵活性，以提高效率。在设计新的算法和映射方法时，在新硬件上执行目标问题的算法存在若干挑战。以前的作品单独解决了这些挑战。为了解决整体挑战，在这项工作中，我们在流行的MLIR编译基础架构中，我们为一个名为Union的空间加速器提供了HW-SW Co-Design生态系统。我们的框架允许在几种加速器成本模型上探索不同的算法及其映射。联盟还包括一个加速器成本模型和映射器的即插即用库，可以轻松扩展。算法和加速器成本模型通过新颖的映射抽象来连接，该抽象捕获空间加速器的地图空间，该空间加速器可以基于来自硬件，工作负载和映射器的约束来系统地修剪。我们展示了与多个案例研究的社区联盟的价值，该研究将使用不同的映射方案在不同的加速器架构上卸载不同的张量操作（Conv / Gemm / Tensor收缩）。
translated by 谷歌翻译
束缚的四型旋转器用于扩展飞行操作，其中通过连接到外部电源的系绳提供了系统的电源。在这项工作中，我们考虑了由单个系绳动力的多个四轮驱动器组成的系统。我们研究影响功率需求的设计因素，例如系绳的电阻，输入电压和四轮驱动器的位置。我们提出了一项分析，以预测为每个Quadcopter的推力提供的一系列n系二极管的所需功率，以确保电气安全性并有助于设计优化。我们发现，由于基本电气限制，推力的临界边界无法超过。我们比较了一个束缚的四轮驱动器和两个束缚四轮驱动器的功耗，并表明，对于距锚点足够远的大型四轮驱动器，一个二极管系统会消耗较小的功率。我们表明，对于一种代表性的消防用例，一个具有两个四轮驱动器的束缚系统比带有一个四轮驱动器的相应系统少消耗26％的功率。最后，我们提出了实验，证明了在混乱的环境中与一四分之一的束缚系统相比，使用两四分之一的束缚系统，例如穿过窗户并将物体抓住障碍物。
translated by 谷歌翻译
本文通过分析每月降雨数据和应用机器学习算法，包括Logistic回归，K-Collect邻居，决策树，随机林和支持向量机，对印度喀拉拉邦的洪水预测模型提供洪水预测模型。虽然这些模型在特定年份的洪水发生的高精度预测中，但它们没有定量和定性地解释预测决定。本文展示了如何学习背景特征，这有助于预测决定，进一步扩展以解释可解释的人工智能模块的开发。所获得的结果证实了解释器模块在喀拉拉邦历史洪水月降雨数据上揭示的研究结果的有效性。
translated by 谷歌翻译