HW-algoritme co-design voor approximate inference van probabilistiche machine learning

De afgelopen jaren werd voor uitdagende taken zoals computer vision en natural language processing steeds meer gekeken naar deep learning en voor deze applicaties zijn talrijke computerplatformen ontwikkeld. Echter, in applicaties met strenge veiligheidsnormen of betrouwbaarheidseisen, zoals bijvoorbeeld autonome voertuigen, gezondheidszorg, en de financiële sector, is het van cruciaal belang om geredeneerd te werk te gaan en beslissingen met onzekerheden te maken, waarvoor 'black-box' deep learning methodes niet geschikt zijn. Probabilistische machine learning (ML) kan daarentegen onzekerheden kwantificeren en kennis van experts integreren. Onderzoekers hebben allerlei soorten exacte en benaderende inference algoritmes ontwikkeld voor probabilistische ML. Deze thesis focust zich op sampling-based approximate inference (‘benaderende inference gebaseerd op samplen'), een methode die zeer rekenintensief is. Om beperkingen omtrent real-time verwerking en vermogen te halen moet daarom een specifieke hardware accelerator gedesignd worden. De volgende onderwerpen, gaande van applicaties tot circuits, worden bestudeerd: Workload: applicaties en inference algoritmes: Markov Chain Mento Carlo (MCMC), zoals HMC, Gibbs sampling, etc. Computer architectuur: hardware architectuur/co-processor design en uitbreiding met sampling-operatie Compiler: wijs de probabilistische programmering toe aan de chip