Computação Reconfigurável Aplicada a Streaming Data e Aprendizagem de Máquina
Q-learning; LSTM; TEDA; Streaming; Aprendizagem de Máquina; Computação Reconfigurável; FPGA;
Este trabalho visa o desenvolvimento de aplicações de algoritmos de streaming e aprendizagem de máquina com hardware reconfigurável. O intuito é investigar diferentes técnicas dentro desse escopo, analisando velocidade de processamento e também consumo de energia. O desenvolvimento do algoritmos de streaming e aprendizado de máquina em hardware permite que sistemas sejam mais rápidos que seus equivalentes em software, abrindo assim possibilidades de utilização em situações onde a problemática de restrição de tempo e/ou processamento de grande volume de dados seja necessária. É ainda possível reduzir o ciclo de clock em aplicações onde velocidade de processamento não é limitante, ou menos relevante, para diminuir o consumo energético. Para o desenvolvimento deste trabalho estão sendo utilizados os field-programmable gate arrays (FPGAs) que podem proporcionar uma performance e densidade semelhante ao um ASIC com a vantagem de utilização de prototipagem rápida, flexibilidade, paralelismo e ainda baixo consumo de potência. A contribuição fundamental desta proposta de tese é observar o impacto de como algoritmos de aprendizagem por reforço: Q-learning; Redes Neurais Recorrentes: Long-Short-Term Memory (LSTM); e streaming de dados: Typicality and Eccentricity Data Analytics (TEDA); implementados em hardware reconfigurável podem melhorar o desempenho das técnicas e em que tipos de aplicações e problemas eles podem ser utilizados. Estão sendo realizados estudos relativos às complexidades computacionais destas técnicas objetivando descobrir o quanto elas podem minimizar a latência após sua implementação com computação reconfigurável quando comparadas com as mesmas técnicas implementadas em sistemas sequenciais. Pretende-se apresentar arquiteturas de referência, que permitirão a utilização eficiente dos algoritmos seguindo critérios de baixa latência, baixo consumo de energia e alta velocidade de resposta.