Zobrazeno 1 - 10
of 10
pro vyhledávání: '"Malhotra, Akul"'
Autor:
Thakuria, Niharika, Malhotra, Akul, Thirumala, Sandeep K., Elangovan, Reena, Raghunathan, Anand, Gupta, Sumeet K.
Ternary Deep Neural Networks (DNN) have shown a large potential for highly energy-constrained systems by virtue of their low power operation (due to ultra-low precision) with only a mild degradation in accuracy. To enable an energy-efficient hardware
Externí odkaz:
http://arxiv.org/abs/2408.13617
Autor:
Malhotra, Akul, Gupta, Sumeet Kumar
Improving the hardware efficiency of deep neural network (DNN) accelerators with techniques such as quantization and sparsity enhancement have shown an immense promise. However, their inference accuracy in non-ideal real-world settings (such as in th
Externí odkaz:
http://arxiv.org/abs/2406.10528
Autor:
Malhotra, Akul, Gupta, Sumeet Kumar
Model compression via quantization and sparsity enhancement has gained an immense interest to enable the deployment of deep neural networks (DNNs) in resource-constrained edge environments. Although these techniques have shown promising results in re
Externí odkaz:
http://arxiv.org/abs/2301.00675
Computing in-memory (CiM) has emerged as an attractive technique to mitigate the von-Neumann bottleneck. Current digital CiM approaches for in-memory operands are based on multi-wordline assertion for computing bit-wise Boolean functions and arithmet
Externí odkaz:
http://arxiv.org/abs/2201.01509
Uncertainty plays a key role in real-time machine learning. As a significant shift from standard deep networks, which does not consider any uncertainty formulation during its training or inference, Bayesian deep networks are being currently investiga
Externí odkaz:
http://arxiv.org/abs/1911.08555
Probabilistic machine learning enabled by the Bayesian formulation has recently gained significant attention in the domain of automated reasoning and decision-making. While impressive strides have been made recently to scale up the performance of dee
Externí odkaz:
http://arxiv.org/abs/1911.05828
A non-volatile SRAM cell is proposed for low power applications using Spin Transfer Torque-Magnetic Tunnel Junction (STT-MTJ) devices. This novel cell offers non-volatile storage, thus allowing selected blocks of SRAM to be switched off during standb
Externí odkaz:
http://arxiv.org/abs/1910.04683
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.