Desenvolvimento de arquiteturas dedicadas para inferência em modelos baseados em árvores

Abstract

A ascensão de técnicas de aprendizado de máquina, bem como o crescimento da adoção de dispositivos com restrições energéticas projetam uma demanda por implementação de algoritmos aproximados em hardware com eficiência energética. Modelos baseados em árvores estão entre os algoritmo mais populares e baratos computacionalmente, contudo possuem poucos estudos a respeito da sua implementação em aceleradores. Portanto esse trabalho propõe desenvolver arquiteturas reprogramáveis para a inferência em modelos baseados em árvore. O conjunto de treinamento abrange diagnósticos da área da saúde mental por exemplificar uma área com uso emergente de aprendizado de máquina, além de haver a necessidade intrínseca de se coletar dados e classificá-los consistentemente ao longo do tempo. Os modelos foram treinados através de uma biblioteca de licença BSD. Desenvolveu-se um programa para converter e alocar o modelo integralmente para a memória interna do acelerador projetado. Os projetos compreendem várias arquiteturas buscando otimizações principalmente através de técnicas de pipeline sendo todas funcionalmente corretas e com speedup de três à cinco ordens de grandeza.