JP2016126801A - 学習メカニズムを有する電子システム及びその動作方法並びに不揮発性コンピュータ読取可能ストレージ媒体 - Google Patents
学習メカニズムを有する電子システム及びその動作方法並びに不揮発性コンピュータ読取可能ストレージ媒体 Download PDFInfo
- Publication number
- JP2016126801A JP2016126801A JP2016000248A JP2016000248A JP2016126801A JP 2016126801 A JP2016126801 A JP 2016126801A JP 2016000248 A JP2016000248 A JP 2016000248A JP 2016000248 A JP2016000248 A JP 2016000248A JP 2016126801 A JP2016126801 A JP 2016126801A
- Authority
- JP
- Japan
- Prior art keywords
- block
- data
- storage
- control unit
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 515
- 238000000034 method Methods 0.000 title claims abstract description 205
- 230000007246 mechanism Effects 0.000 title abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 249
- 230000008569 process Effects 0.000 claims abstract description 180
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000007781 pre-processing Methods 0.000 claims abstract description 44
- 238000000638 solvent extraction Methods 0.000 claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 claims description 67
- 230000006870 function Effects 0.000 description 142
- 238000004891 communication Methods 0.000 description 94
- 238000004422 calculation algorithm Methods 0.000 description 70
- 238000001914 filtration Methods 0.000 description 55
- 238000013473 artificial intelligence Methods 0.000 description 30
- 238000001514 detection method Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 27
- 230000006978 adaptation Effects 0.000 description 26
- 230000005540 biological transmission Effects 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 21
- 230000006872 improvement Effects 0.000 description 20
- 239000013598 vector Substances 0.000 description 19
- 238000007405 data analysis Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 16
- 238000013461 design Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000011017 operating method Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 4
- 235000014510 cooky Nutrition 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/061—Improving I/O performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0604—Improving or facilitating administration, e.g. storage management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0629—Configuration or reconfiguration of storage systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
- G06F3/0638—Organizing or formatting or addressing of data
- G06F3/0644—Management of space entities, e.g. partitions, extents, pools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/0671—In-line storage system
- G06F3/0683—Plurality of storage devices
- G06F3/0685—Hybrid storage combining heterogeneous device types, e.g. hierarchical storage, hybrid arrays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
- Information Transfer Between Computers (AREA)
- Stored Programmes (AREA)
Abstract
Description
現存する技術に対する研究及び開発は多様な方向に行っている。
プロセッサとメモリ容量及び帯域幅は増加する装置又はシステムの性能と機能において主要な要因になる。
他の電子部品やモジュールでと同様に、メモリ面積及び費用は性能及び機能とトレードオフの関係を有する。
大容量データの処理は、装置又はシステムの性能と機能を向上させることができる。しかし、大容量データの処理は大量のシステム帯域幅を消費し、システムアクセスコンフリクト、及びシステム資源(リソース)を消費し、このような特性はシステム性能及び機能を低下させる。
日々に増加する商業的な競争圧力、消費者の増加する期待、そして市場での意味ある商品の差別化のための機会の減少の側面を考慮する時、このような問題の改善に対する事項はますます重要になっている。
その上に、費用の減少、性能と効率の増大、そして商業的な競争圧力に対する要求はこのような問題を迅速に解決することを要求している。
このようなアルゴリズムは、人工知能、外部からのプログラム無しでコンピュータを動作させる、自動推論、自動適応、自動決定、自動学習、外部のプログラム無しでコンピュータが自動に学習する機能、人工知能AI、又はこれらの組み合わせを含むことができる。
マシン学習は、分類、回帰分析、特性学習、オンライン学習、自律的学習、地図学習、クラスター分析、次元縮小、構造予測、非正常行為の探知、神経網、又はこれらの組み合わせを含むことができる。
ストレージ内部コンピューティング(In storage computing:以下、ISC)機能を有する並列又は分散ストレージ装置は、ビックデータの学習と分析とを加速化させることができる。
このような並列又は分散学習システムは、ストレージ内部コンピューティングの機能のための追加的な帯域幅や、ホストとストレージへの入出力量を減らすことができる。
並列又は分散学習システムは、マシン学習システムにストレージ内部コンピューティングISC機能を提供することができる。
ストレージ内コンピューティング(ISC)は、並列又は分散学習システムを含む学習システムで画期的な向上を提供することができる。
ストレージ内コンピューティング(ISC)は、検出された帯域幅のボトルネック(bottleneck、出口が狭い)現象を低下させるためのISCでの前処理のようなマシン学習のためのその他のプロセッサ、ホストCPUを支援するための加速器、又はこれらの組み合わせを提供することができる。
スケジューラーは、知的(intelligently)にデータ、タスク、機能、動作、又はこれらの組み合わせを割り当てを行うことができる。
本発明の開示、即ち、システム、プロセス、又は機械的な変形は、本発明の実施形態の範囲を逸脱しなく、他の実施形態も容易に実施されることは容易に理解できる。
以下の説明で、本発明の実施形態の理解のために多い具体的な説明が提供される。
しかし、本発明の実施形態は上述した具体的な説明無しでも実施されることは明かである。本発明の実施形態に対する曖昧なことを避けるために幾つかの広く公知された回路、システム設定、及び処理段階に対する詳細な説明は省略する。
同様に、たとえ容易な説明をするために図面に図示した幾つかの方向は一般的に類似であるが、このような表現はほとんど任意の方向である。
一般的に、実施形態は何らかの方向に対しても動作することができる。第1実施形態、第2実施形態等の序数的に表現された実施形態は実施形態の限定や重要度を示す意図ではなく、表現の便宜のための表現に過ぎない。
図1を参照すると、学習メカニズムを有する電子システム100は、クライアント又はサーバのような第1装置102と、有線又は無線ネットワークのような通信経路104とを含む。
第1装置102は、クライアントやサーバのような第2装置106と接続することができる。
第1装置102は、通信経路104を通じて第2装置106と接続することができる。
例えば、第1装置102と第2装置106、又はこれらの組み合わせは、クライアント、サーバ、ディスプレイ装置、クラスターのノード、スーパーコンピュータのノード、セルラーフォン、個人デジタル補助機、ノートブック型コンピュータ、他のマルチ機能装置、又はこれらの組み合わせのような装置の変形された例であってもよい。
容易である説明のために、電子システム100は、第1装置102と第2装置106とが通信経路104の終端点として図示したが、電子システム100は、第1装置102、第2装置106、及び通信経路104の間に別の部分をさらに含み得ることを容易に理解できる。
例えば、第1装置102と第2装置106、又はこれらの組み合わせは通信経路104の一部の機能として動作することができる。
例えば、通信経路104は、システムバス、無線通信、有線通信、光通信、超音波通信、又はこれらの組み合わせを含む。
システムバスの例として、PCIe(Peripheral Component Interconnect Express)、PCI(Peripheral Component Interconnect)、ISA(Industry Standard Architecture)、SATA(Serial Advanced Technology Attachment)、SCSI(Small Computer Serial Interface)、EIDE(Enhanced Integrated Drive Electronics)、NVMホストコントローラインターフェイス(Non−Volatile Memory host controller interface)、NVMe(Non−Volatile Memory express)、SATAe(Serial Attached Advanced Technology Attachment express)、及びAGP(Accelerated Graphics Port)がある。
有線通信の例として、イーサーネット(登録商標)、10ギガビットイーサーネット(登録商標)、40ギガビットイーサーネット(登録商標)、100ギガビットイーサーネット(登録商標)、インフィニバンド(InfiniBand(登録商標))、デジタル加入者回線(DSL)、FTTH(fiber to the home)等がある。
先に言及されたすべての構成が通信経路104に含まれ得る。
第1コントロールユニット112は、第1コントロールインターフェイス122を含むことができる。
第1コントロールユニット112は、電子システム100の知能を提供するための第1ストレージユニット114の第1ソフトウェアを実行することができる。
第1コントロールユニット112は複数の互いに異なる方式で駆動させることができる。
第1コントロールインターフェイス122は、第1コントロールユニット112と第1装置102内の異なる機能ユニットとの通信に使用することができる。また、第1コントロールインターフェイス122は第1装置102の外部装置との通信に使用することができる。
外部ソースや外部目的地は、第1装置102の外部ソース又は外部目的地を意味する。
第1コントロールインターフェイス122は、第1コントロールインターフェイス122と通信する機能ユニットや外部ユニットに従って互いに異なる構成又は互いに異なる方法によって具現することができる。
例えば、第1コントロールインターフェイス122は、圧力センサー、加速センサー、MEMS(Microelectromechanical System)、光回路、導波管、無線回路、有線回路、又はこれらの組み合わせで具現することができる。
第1ストレージユニット114は、イメージ、情報、サウンドファイル、ソーシャルネットワークデー(social network day)の任意のフォーム、ユーザープロフィール、行動情報、クッキー、大きいサイズ形態の使用者データ収集、又はこれらの組み合わせを格納することができる。
第1ストレージユニット114は、揮発性メモリ、不揮発性メモリ、内部メモリ、外部メモリ、又はこれらの組み合わせであってもよい。
例えば、第1ストレージユニット114は、不揮発性ランダムアクセスメモリ(NVRAM)、不揮発性メモリ(NVM)、NVMeフラッシュメモリ、ディスクストレージ、又はSRAMのような揮発性ストレージであってもよい。
第1ストレージインターフェイス124は、第1装置内の異なる機能ユニットと通信のために使用することができる。
第1ストレージインターフェイス124は、第1装置102外部との通信のために使用することができる。
第1ストレージインターフェイス124は、異なる機能ユニットや外部ソースから情報を受信するか、或いは異なる機能ユニット又は外部目的地に情報を伝送することができる。外部ソースと外部目的地とは第1装置の外部ソースや目的地を意味する。
第1ストレージインターフェイス124は、第1コントロールインターフェイス122と類似の方式の技術によって具現することができる。
例えば、第1通信ユニット116は、第1装置102が付属装置やデスクトップコンピュータコンピュータ、通信経路104、又は第2通信ユニット136と通信するように許諾する。
第1通信ユニット116は通信ハブのような機能を遂行して第1装置102が通信経路104の一部として動作するようになるので、第1装置102が通信経路104の終端や終端装置に限定されないように使用することができる。
第1通信ユニット116は、通信経路104とのインターフェイスのためにマイクロ電子回路やアンテナのような能動及び受動要素を含むことができる。
第1通信インターフェイス128は、第1通信ユニット116と第1装置102内の異なる機能ユニットとの通信のために使用することができる。
第1通信インターフェイス128は、異なる機能ユニットや外部ソースから情報を受信するか、或いは異なる機能ユニット又は外部目的地に情報を伝送することができる。
第1通信インターフェイス128は、第1通信ユニット116がインターフェイシングする機能ユニットにしたがって互いに異なる方式で具現することができる。
第1通信インターフェイス128は、第1コントロールインターフェイス122と類似の技術方式で具現することができる。
第1ユーザーインターフェイス118は、入力装置と出力装置とを含むことができる。
例えば、第1ユーザーインターフェイス118の入力装置は、データ及び通信入力を提供するためのキーパッド、マウス、タッチパッド、ソフトキー、キーボード、マイク、リモート信号を受信するための赤外線センサー、リモートアクセスのための仮想ディスプレイコンソール、リモートアクセスのための仮想ディスプレイターミナル、又はこれらの組み合わせを含むことができる。
第1ディスプレイインターフェイス130は、ディスプレイ、プロジェクタ、ビデオスクリーン、スピーカー、リモートネットワークディスプレイ、仮想ネットワークディスプレイ、又はこれらの組み合わせの中のいずれかを含むことができる。
一実施形態において、第1ストレージインターフェイス124は、第1コントロールインターフェイス122と同様に、第1ストレージコントロールユニット132のために異なる機能ユニット、外部ソース、外部目的地等にデータを伝送するか、或いは受信することができる。
第2装置106は、第1装置に比べて追加的に又は高性能の処理能力を提供することができる。
第2装置106は、第2コントロールユニット134、第2通信ユニット136、及び第2ユーザーインターフェイス138を含むことができる。
第2ユーザーインターフェイス138は、入力装置と出力装置を含むことができる。
例えば、第2ユーザーインターフェイス138の入力装置はデータ及び通信入力を提供するためのキーパッド、マウス、タッチパッド、ソフトキー、キーボード、マイク、リモート信号を受信するための赤外線センサー、リモートアクセスのための仮想ディスプレイコンソール、リモートアクセスのための仮想ディスプレイターミナル、又はこれらの組み合わせを含むことができる。
第2ユーザーインターフェイス138の出力装置の例としては、第2ディスプレイインターフェイス140を含むことができる。
第2ディスプレイインターフェイス140は、ディスプレイ、プロジェクタ、ビデオスクリーン、スピーカー、リモートネットワークディスプレイ、仮想ネットワークディスプレイ、又はこれらの組み合わせの中のいずれかを含むことができる。
第2ストレージ媒体142の第2ソフトウェアは第1ストレージ媒体126の第1ソフトウェアと連動して動作することができる。
第2コントロールユニット134は、第1コントロールユニット112に追加性能を提供することができる。
第2コントロールユニット134は、情報を表示するために第2ユーザーインターフェイス138を駆動させることができる。
第2コントロールユニット134は、電子システム100の異なる機能、例えば、通信経路104を通じて第1装置102と通信するための第2通信ユニット136を駆動する等の機能のために第2ストレージ媒体142に格納された第2ソフトウェアを実行することができる。
例えば、第2コントロールユニット134は、プロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(field programmable gate array)、SoC(system on a chip)、埋め込み型プロセッサ、マイクロプロセッサ、マルチプロセッサ、チッププロセッサ(CMP)、ハードウェア制御ロジック、ハードウェア有限状態マシン(FSM)、デジタル信号処理器(DSP)、又はこれらの組み合わせであってもよい。
第2コントロールユニット134は、第2コントロールインターフェイス144を含む。
第2コントロールインターフェイス144は、第2コントロールユニット134と第2装置106内の異なる機能ユニットとの通信に使用することができる。また、第2コントロールインターフェイス144は、第2装置106の外部装置との通信に使用することができる。
外部ソースや外部目的地は、第2装置106の外部ソース又は外部目的地を意味する。
第2コントロールインターフェイス144は、第2コントロールインターフェイス144と通信する機能ユニットや外部ユニットにしたがって互いに異なる構成又は互いに異なる方法によって具現することができる。
例えば、第2コントロールインターフェイス144は、圧力センサー、加速センサー、MEMS(Microelectromechanical System)、光回路、導波管、無線回路、有線回路、又はこれらの組み合わせで具現することができる。
第2ストレージユニット146は、イメージ、情報、サウンドファイル、ソーシャルネットワークデーの任意のフォーム、ユーザープロフィール、行動情報、クッキー、大きいサイズ形態の使用者データ収集、又はこれらの組み合わせを格納することができる。
第2ストレージユニット146は、第1ストレージユニット114に追加的なストレージ容量を提供するための大きさで提供することができる。
例えば、第2ストレージユニット146は、1つの構成で図に示しているが、複数のストレージ要素が分散された形態で提供できることは容易に理解できる。
例示的に、電子システム100は、第2ストレージユニット146がシングル階層のストレージシステムで図に示したが、電子システム100の第2ストレージユニット146は異なる設定で構成することもできる。
第2ストレージユニット146は、揮発性メモリ、不揮発性メモリ、内部メモリ、外部メモリ、又はこれらの組み合わせであってもよい。
例えば、第2ストレージユニット146は、不揮発性ランダムアクセスメモリ(NVRAM)、不揮発性メモリ(NVM)、NVMeフラッシュメモリ、ディスクストレージ、又はSRAMのような揮発性ストレージであってもよい。
第2ストレージインターフェイス148は、第2装置内の異なる機能ユニットと通信のために使用することができる。
第2ストレージインターフェイス148は、第2装置106の外部との通信のために使用することができる。
外部ソースと外部目的地とは第2装置106の外部ソースや目的地を意味する。
第2ストレージインターフェイス148は、第2ストレージユニット146がインターフェイシングする機能ユニットや外部ユニットにしたがって互いに異なる方式で具現することができる。
第2ストレージインターフェイス148は、第2コントロールインターフェイス144と類似な方式の技術によって具現することができる。
第2通信ユニット136は、第2装置106の外部通信を可能するようにする。
例えば、第2通信ユニット136は、第2装置106が通信経路104を通じて第1装置102と通信するように許諾する。
第2通信ユニット136は、通信経路104とのインターフェイスのためにマイクロ電子回路やアンテナのような能動及び受動要素を含むことができる。
一実施形態において、第2通信ユニット136は、第2通信インターフェイス150を含む。
第2通信インターフェイス150は、第2通信ユニット136と第2装置106内の異なる機能ユニットとの通信のために使用することができる。
第2通信インターフェイス150は、異なる機能ユニットや外部ソースから情報を受信するか、或いは異なる機能ユニット又は外部目的地に情報を伝送することができる。
第2通信インターフェイス150は、第2コントロールインターフェイス144と類似の技術方式で具現することができる。
第1通信ユニット116は、第2装置106に情報を伝送するために通信経路104の第1装置伝送部108に接続される。
第2装置106は、第2通信ユニット136を通じて通信経路104の第1装置伝送部108からの情報を受信することができる。
第1装置102は、第1通信ユニット116を通じて通信経路104の第2装置伝送部110からの情報を受信することができる。
電子システム100は、第1コントロールユニット112、第2コントロールユニット134、又はこれらの組み合わせによって駆動することができる。
例えば、第2ストレージ媒体142に格納された第2ソフトウェアは一部機能又はすべての機能が第2コントロールユニット134と第2通信ユニット136に割り当ててもよい。
同様に、第2装置106は、図1に示さなかった機能ユニットをさらに含むことができる。
第2ストレージコントロールユニット152は、プロセッサ、ASIC(Application Specific Integrated Circuit)、SoC(system on a chip)、埋め込み型プロセッサ、マルチプロセッサ、チッププロセッサ(CMP)、ハードウェア制御ロジック、ハードウェア有限状態マシン(FSM)、デジタル信号処理器(DSP)、FPGA(field programmable gate array)、又はこれらの組み合わせであってもよい。
第1装置102は、第2装置106と通信経路104と個別的にそして独立的に作業することができる。
同様に、第2装置106の機能ユニットも異なる機能ユニットと個別的にそして独立的に動作することができる。
第2装置106は、第1装置102と通信経路104と独立的に個別的にそして独立的に動作することができる。
例示的な説明のために、電子システム100は第1装置102と第2装置106との動作の説明を通じて説明される。
第1装置102と第2装置106とは電子システム100の特定機能、プロセス、アプリケーション、又はこれらの組み合わせで動作することができる。
不揮発性コンピュータ読取可能ストレージ媒体は、ハードディスクドライブ(HDD)、不揮発性ランダムアクセスメモリ(NVRAM)、ソリッドステートストレージ装置(SSD)、コンパクトディスク(CD)、デジタルビデオディスク(DVD)、ユニバーサル直列バス(USB)、フラッシュメモリ装置、ブルーレイディスク(登録商標)(Blu−ray(登録商標) Disc)、コンピュータ読取可能である他の媒体、又はこれらの組み合わせを含む不揮発性メモリ装置を含むことができる。
不揮発性コンピュータ読取可能ストレージ媒体は、電子システム100の一部に集積されるか、或は電子システム100に脱着可能である部分として設置することができる。
不揮発性コンピュータ読取可能ストレージ媒体は、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせを含むことができる。
不揮発性コンピュータ読取可能ストレージ媒体は、電子システム100の一部に集積されるか、或は電子システム100に脱着可能である部分として設置することができる。
上述した機能、プロセス、アプリケーション、又はこれらの組み合わせは第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせに格納することができる。
第1コントロールユニット112、第2コントロールユニット134、又はこれらの組み合わせは、上述した機能、プロセス、アプリケーション、又はこれらの組み合わせを電子システム100で駆動するために実行することができる。
電子システム100は、機能、プロセッサ、アプリケーション、順序、又はこれらの組み合わせを異なるように分割するか、或は他の順序にしたがって分割することができる。
上述した機能、プロセッサ、アプリケーション、又はこれらの組み合わせは、第1コントロールユニット112又は第2コントロールユニット134内部のハードウェアによる具現、ハードウェア回路、又はハードウェアアクセラレータ等であってもよい。
上述した機能、プロセッサ、アプリケーション、又はこれらの組み合わせは、第1装置102又は第2装置106の内部に具備されるが、第1コントロールユニット112又は第2コントロールユニット134各々の外部に存在するハードウェアによる具現、ハードウェア回路、又はハードウェアアクセラレータ等であってもよい。
図2を参照すると、電子学習システム200は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態で、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
一実施形態において、電子学習システム200は、ストレージ内コンピューティング(ISC)のみならず、システムプロセッサでの並列処理のためのクラスターコンピューティングを含む並列又は分散機械学習メカニズムを含むことができる。
処理されたデータブロック250は、追加的な処理や機械学習のために初期データブロック230の部分データブロック、初期データブロック230の知的にアップデートされたブロック、初期データブロック230の知的に選択されたブロック、他のフォーマットのデータ、他の資料構造のデータ、又はこれらの組み合わせを含むことができる。
学習ブロック210、初期データブロック230、処理されたデータブロック250、モデルブロック270、又はこれらの組み合わせは集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
例えば、学習ブロック210、初期データブロック230、処理されたデータブロック250、モデルブロック270、又はこれらの組み合わせは、ハードウェアメモリ回路や、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせのようなコンポーネントの一部を共有することができる。
学習ブロック210は、システムプロセッサ、ストレージコンピューティングプロセッサ、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせの中の少なくとも1つで実行されることができる。
初期データブロック230は、ストレージ装置、メモリ装置、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせを含むことができる。
処理されたデータブロック250は、初期データブロック230で処理された以後に未だ追加的な処理がされないデータを格納するためのストレージ装置を含むことができる。
処理されたデータブロック250は、ストレージ装置、メモリ装置、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されることができる。
例えば、ストレージ装置は、データ、情報、アプリケーション、機械学習データ、分析されたビックデータ、ビックデータ分析アルゴリズム、又はこれらの組み合わせを格納することができる。
モデルブロック270は、ストレージ装置、メモリ装置、システムプロセッサ、ストレージ内コンピューティング(ISC)プロセッサ、第1ストレージユニット114、第2ストレージユニット146、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、又はこれらの組み合わせ内で具現することができる。
割り当て制御は、図1の通信経路104のような入出力帯域幅の通信資源の飽和、中央処理装置(CPU)、コントロールユニット、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、又はこれらの組み合わせのようなコンピューティング資源の飽和を検出することを含む。
例えば、学習ブロック210は、複数の装置に掛けて分布する複数のブロックを含むことができる。追加的な詳細な説明は学習ブロック210、初期データブロック230、処理されたデータブロック250、モデルブロック270、又はこれらの組み合わせに対する以下の図3によって提供される。
図3を参照すると、図2の電子学習システム200と同様に、電子学習システム300は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測はクリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
また、電子学習システム300は、第1データブロック352、第2データブロック354、第3データブロック356、又はこれらの組み合わせのような学習データブロックのようなデータブロック350を含むことができる。
電子学習システム300は、第1モデル装置372、第2モデル装置374、又はこれらの組み合わせを含むモデル装置370を含むことができる。
学習装置310、データブロック350、モデルブロック370、又はこれらの組み合わせは、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
データブロック350は、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせによって具現することができる。
モデル装置370は、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせによって具現することができる。
例示的に、学習装置310、データブロック350、モデル装置370、又はこれらの組み合わせは、各々分離したブロックで図示しているが、電子学習システム200と同様にいずれか1つのブロックは他のブロックのハードウェアの部分を共有できることは容易に理解できる。
このモデルは、モデル装置370が駆動される学習装置310によってアップデート、訂正、修正、代替、記入、記録、挿入、又はこれらの組み合わせが可能である。
例えば、ネットワーク394は、図1の通信経路104と類似な方式のネットワークの多様な変形を含み、ネットワーク伝送部396、ネットワーク容量398、又はこれらの組み合わせを含むことができる。
ネットワーク伝送部396は、モデルやモデルパラメーター(376、378)を伝送することができる。
ネットワーク容量398は、ネットワーク394によって支援可能であるネットワーク伝送部396の伝送量を含むことができる。
学習装置310、データブロック350、モデル装置370、及びこれらの組み合わせを含む学習システム300は、ネットワーク容量398の問題を検出又は識別し、ボトルネック現象を検出することができる。
学習システム300は、並列又は分散機械学習システムのボトルネック現象を検出できることは公知である。
学習システム300は、少なくともネットワーク容量398の問題を検出するか、或いは識別することができる。
図4を参照すると、図2の電子学習システム200と同様に、電子学習システム400は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測はクリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
また、電子学習システム400は、図3のデータブロック350と同様に第1データブロック452、第2データブロック454、第3データブロック456、又はこれらの組み合わせのような学習データブロックであるデータブロック450を含むことができる。
学習装置410、データブロック450、モデル装置470、又はこれらの組み合わせは集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
データブロック450は、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせによって具現することができる。
モデル装置470は、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせによって具現することができる。
例示的に、学習装置410、データブロック450、モデル装置470、又はこれらの組み合わせは各々分離されたブロックで図示しているが、電子学習システム200と同様にいずれか1つのブロックは他のブロックのハードウェアの部分を共有できることを容易に理解できる。
このモデルは、モデル装置370が駆動される学習装置310又はモデル装置370が駆動される学習装置310によってアップデート、訂正、修正、代替、記入、記録、挿入、又はこれらの組み合わせが可能である。
例えば、ネットワーク494は、図1の通信経路104と類似な方式のネットワークの多様な変形を含み、ネットワーク伝送部496、ネットワーク容量498、又はこれらの組み合わせを含むことができる。
ネットワーク伝送部496は、モデルやモデルパラメーター(476、478)を伝送することができる。
ネットワーク容量498は、ネットワーク494によって支援可能であるネットワーク伝送部496の伝送量を含むことができる。
学習装置410、データブロック450、モデル装置470、及びこれらの組み合わせを含む電子学習システム400は、ネットワーク容量498の問題を検出又は識別し、ボトルネック現象を検出することができる。
これらのプロセスは、ネットワーク494での組み合わせされた問題、ボトルネック現象、又はこれらの組み合わせを提供する可能性がある。同様に、ある実施形態では、図3の電子学習システム300は図3のネットワーク394に対する獲得モデルプロセス490、投入モデルプロセス390、機械学習プロセス、ビックデータプロセス、他のプロセッサ、又はこれらの組み合わせを提供することができる。
例えば、電子学習システム400及び電子学習システム300は互いに異なるモードで動作する1つのシステムであってもよい。
電子学習システム400は、並列又は分散機械学習システムのボトルネック現象を検出できることは公知である。
電子学習システム400は、少なくともネットワーク容量498の問題を検出するか、或いは識別することができる。
図5を参照すると、図2の電子学習システム200と同様に、電子学習システム500は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
電子学習システム500は、ストレージ内コンピューティング(ISC)プロセッサのみならず、システムプロセッサでの並列処理のためのクラスターコンピューティングを含む並列又は分散機械学習メカニズムを含むことができる。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
また、電子学習システム500は、学習データのような第2システムデータ562、第1システムデータ552のアップデートされたシステムデータ、第1システムデータ552の部分データ、第1システムデータ552の中で知的に選択されたデータ、第1システムデータ552の知的にアップデートされたデータ、又はこれらの組み合わせと、学習データのような第2ストレージデータ564、第1ストレージデータ554のアップデートされたシステムデータ、第1ストレージデータ554の部分データ、第1ストレージデータ554の中で知的に選択されたデータ、又はこれらの組み合わせを含むことができる。
電子学習システム500は、モデリング装置570を提供することができる。
電子学習システム500は、ネットワーク伝送部596、ネットワーク容量598、又はこれらの組み合わせに、検出、識別、モニターリング、測定、チェック、又はこれらの組み合わせ的な動作を提供することができる。
電子学習システム500は、システム装置512、ストレージ装置514、第1システムデータ552、第1ストレージデータ554、第2システムデータ562、第2ストレージデータ564、モデリング装置570、又はこれらの組み合わせを含んで、ネットワーク容量598の問題を検出又は識別し、ボトルネック現象を検出することができる。
学習システム500は、並列又は分散機械学習システムのボトルネック現象を検出できることは公知である。
学習システム500は、少なくともネットワーク容量598の問題を検出するか、或いは識別することができる。
図6を参照すると、電子学習システム600は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
確率的勾配法は、高速の収斂率、増加されたステップサイズ、並列処理で複数のプロセッサによって駆動できる点、又はこれらの組み合わせのような特性を提供することができる。
また、確率的勾配降下法は、確率方式で高速の初期収斂特性と、確率的勾配降下法で低廉な反複費用を維持するための全勾配法(full−gradient method)の速い最終段階収斂特性を提供することができる。
選択ブロック640は、データを受信、処理、選択、分割、伝送、又はこのような動作の組み合わせを遂行することができる。
例えば、選択ブロック640は、学習データ、第1データ652の部分データのような第2データ656、第1データ652の知的なアップデートデータ、第1データ652の中で知的に選択されたデータ、又はこれらの組み合わせを処理することができる。
また、例えば、選択ブロック640は、第1データ652から第2データ656を選択するか、或いは分割することができる。
アップデートブロック670は、ベクトル674を含むすべてのモデルをアップデートすることができる。
選択ブロック640、計算ブロック660、及びアップデートブロック670は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
選択ブロック640、計算ブロック660、アップデートブロック670、又はこれらの組み合わせは、データや、プロセス、機能を選択するか、或いは分割することができる。
選択、分割、又はこれらの組み合わせはストレージ内コンピューティング(ISC)において機械学習プロセスや機械学習機能の負担を軽減(Offload)させることができる。
負担の軽減(Offload)は、高い複雑度の計算、高い入出力オーバーヘッド、又はこれらの組み合わせに対応する機能を分散させるか、或いは分割することができる。
例えば、選択ブロック640、計算ブロック660、及びアップデートブロック670、又はこれらの組み合わせは、ハードウェアメモリ回路や、第1コントロールユニット112、第2コントロールユニット134、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせのようなコンポーネントの一部を共有することができる。
例えば、選択ブロック640、計算ブロック660、及びアップデートブロック670、又はこれらの組み合わせは、複数の装置に掛けて分布する複数のブロックを含むことができる。
高い複雑度の計算、高い入出力オーバーヘッド、又はこれらの組み合わせに対応する機能は、ストレージ内コンピューティングのために部分的に分割されるか、或いは分割することができる。
図7を参照すると、電子学習システム700は図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
部分データの画期的な向上は、モデル、ベクトル、又はこれらの組み合わせのアップデート動作を向上させることができる。
知的な選択又は分割は、入出力データの増加にも高速の収斂特性を提供することができる。
確率平均勾配アルゴリズムを含む確率的勾配降下法(SGD)は、高速の収斂率、増加されたステップサイズ、並列処理で複数のプロセッサ各々によって独立的に駆動することができる点、高速の初期収斂特性と、確率的勾配降下法で低廉な反複費用を維持するための全勾配法の速い最終段階収斂特性を提供することができる。
スキャン及び選択ブロック730は、データを受信、スキャン、処理、選択、分割、伝送、又はこれらの組み合わせを遂行することができる。
例えば、スキャン及び選択ブロック730は、ローデータのような第1データ752、トレーニングデータを処理するための入力データ、処理されたデータのような第2データ757、第1データ752の中で知的に選択されたトレーニングデータ、第1データ752の部分データ、第1データ752の知的なアップデートデータ、第1データ752の中で知的に選択されたデータ、又はこれらの組み合わせを知的に処理することができる。
また、例えば、スキャン及び選択ブロック740は、第1データ752から第2データ757を知的に選択するか、或いは分割できる。
アップデートブロック770は、すべてのモデルをアップデートすることができる。
スキャン及び選択ブロック740、計算ブロック760、及びアップデートブロック770は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
スキャン及び選択ブロック740、計算ブロック760、及びアップデートブロック770、又はこれらの組み合わせは、データや、プロセス、機能を選択するか、或いは分割することができる。
選択、分割、又はこれらの組み合わせはストレージ内コンピューティング(ISC)において機械学習プロセスや機械学習機能の負担を軽減(Offload)させることができる。
負担の軽減(Offload)は高い複雑度の計算、高い入出力オーバーヘッド、又はこれらの組み合わせに対応する機能を分散させるか、或いは分割することができる。
例えば、スキャン及び選択ブロック740、計算ブロック760、及びアップデートブロック770、又はこれらの組み合わせは、ハードウェアメモリ回路や、第1コントロールユニット112、第2コントロールユニット134、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせのようなコンポーネントの一部を共有することができる。
例えば、スキャン及び選択ブロック740、計算ブロック760、及びアップデートブロック770、又はこれらの組み合わせは、複数の装置に掛けて分布する複数のブロックを含むことができる。
高い複雑度の計算、高い入出力オーバーヘッド、又はこれらの組み合わせに対応する機能はストレージ内コンピューティングのために部分的に分割されるか、或いは分割することができる。
図8を参照すると、電子学習システム800は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
学習ブロック810は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
学習ブロック810は、システムプロセッサ、ストレージコンピューティングプロセッサ、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
前処理ブロック830は、分割データの画期的向上のためのトレーニングデータのような知的に選択するか、或いは分割することができる。
画期的に向上された分割データは、モデル、ベクトル、又はこれらの組み合わせのアップデートを向上させることができる。
知的な選択又は分割は、増加された入出力データに対して高速の収斂特性を提供することができる。
前処理ブロック830は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
第2データブロック856は、第1データブロック854から知的に選択されたデータ、第1データブロック854から知的にアップデートされたデータ、第1データブロック854の部分データ、又はこれらの組み合わせを含むことができる。
第1データブロック854、第2データブロック856は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
第1データブロック854は、ローデータ、トレーニングデータ、初期データ、又はこれらの組み合わせを含むことができる。
前処理ブロック830は、第2データブロック856に提供するために第1データブロック854の一部又はすべてのデータをスキャン及びフィルタリングすることができる。
ここにはフィルタリングされたデータ、選択されたデータ、分割されたデータ、トレーニングデータ、部分データ、部分トレーニングデータ、又はこれらの組み合わせを含むことができる。
モデルブロック870は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
モデルブロック870は、ストレージ装置、メモリ装置、システムプロセッサ、ストレージ内コンピューティング(ISC)プロセッサ、第1ストレージユニット114、第2ストレージユニット146、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、又はこれらの組み合わせ内で具現することができる。
第1データブロック854は、ストレージ装置、メモリ装置、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせを含むことができる。
第2データブロック856は、第1データブロック854での処理で未処理されたデータを処理したデータを格納するためのストレージ装置を含むことができる。
第2データブロック856は、ストレージ装置、メモリ装置、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせによって具現することができる。
例えば、第1データブロック854、第2データブロック856、モデルブロック870、又はこれらの組み合わせは、ハードウェアメモリ回路や、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせのようなコンポーネントの一部を共有することができる。
例えば、学習ブロック810、前処理ブロック830、モデルブロック870、又はこれらの組み合わせは、複数の装置に掛けて分布する複数のブロックを含むことができる。
電子学習システム800は、前処理ブロック830、モデルブロック870、又はこれらの組み合わせに対応する機能はストレージ内コンピューティングのために部分的に分割されるか、或いは分割することができる。
図9を参照すると、電子学習システム900は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
例示的に、電子学習システム900は、学習ブロック910がシステム装置912の一部として図示しているが、ストレージ装置914は、学習ブロック910のような学習ブロックを含む他のブロックを含むことが容易に理解できる。
前処理ブロック930は、分割データの画期的向上のためのトレーニングデータのような知的に選択するか、或いは分割することができる。
画期的に向上された分割データは、モデル、ベクトル、又はこれらの組み合わせのアップデートを向上させることができる。
知的な選択又は分割は、増加された入出力データに対して高速の収斂特性を提供することができる。
前処理ブロック930は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
第2データブロック956は、第1データブロック954から知的に選択されたデータ、第1データブロック954から知的にアップデートされたデータ、第1データブロック954の部分データ、又はこれらの組み合わせを含むことができる。
第1データブロック954、第2データブロック956は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、電子学習システム900は、予測、推薦、フィルタリング、機械学習プロセス、機械学習機能、又はこれらの組み合わせを遂行することができる。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
前処理ブロック930、モデリングブロック970、又はこれらの組み合わせはシステム装置912、ストレージ装置914、又はこれらの組み合わせによって具現することができる。
図10を参照すると、電子学習システム1000は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
例えば、後述する割り当ての決定のための条件や環境での電子システム100に基づいてシステムコントロールユニット又は中央処理装置(CPU)のようなストレージ装置やシステム装置によって前処理機能を遂行することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
システム装置1012とストレージ装置1014とはインターフェイス1016を通じて互いに又は内部的に通信することができる。
システム装置1012、ストレージ装置1014、インターフェイス1016は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
電子学習システム1000は、ストレージ学習ブロック1024、システム学習ブロック1028、又はこれらの組み合わせを含むことができる。
ストレージ学習ブロック1024、システム学習ブロック1028、又はこれらの組み合わせは、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
ストレージ学習ブロック1024、システム学習ブロック1028、又はこれらの組み合わせは、システムプロセッサ、ストレージコンピューティングプロセッサ、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
前処理ブロック1030は、分割データの画期的向上のためにトレーニングデータのようなデータを知的に選択するか、或いは分割することができる。
画期的に向上された分割データは、モデル、ベクトル、又はこれらの組み合わせのアップデートを向上させることができる。
知的な選択又は分割は、増加された入出力データに対して高速の収斂特性を提供することができる。
前処理ブロック1030は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
ストレージコントロールユニット1032は、第1ストレージコントロールユニット132又は第2ストレージコントロールユニット152と同様にプロセッサ、ASIC(Application Specific Integrated Circuit)、埋め込み型プロセッサ、マイクロプロセッサ、ハードウェア制御ロジック、ハードウェア有限状態マシン(FSM)、デジタル信号処理器(DSP)、又はこれらの組み合わせであってもよい。
同様に、ホストは、これらの機能1040をストレージコントロールユニット1032に負担させることができる。
機能1040は、機械学習、ビックデータ処理、ビックデータ分析、ビックデータ分析アルゴリズム、又はこれらの組み合わせを含むことができる。
機能1040、システム装置1012、ストレージ装置1014、又はこれらの組み合わせは、スマートソリッドステートストレージ装置(SSD)のようなストレージ装置1014に分散機械学習のためのスケジューリングアルゴリズムを提供することができる。
オフロード可能である機械学習コンポーネントや機能は、メイン機械学習アルゴリズム、フィルタ、スキャン、ある機械学習アルゴリズム、及びこれらの組み合わせを含むことができる。
また、電子学習システム1000は、オフロード可能である機械学習コンポーネントや機能を分離、分割、選択することができる。
オフロード可能である機械学習コンポーネントや機能は、1つ以上の反複学習のために分離されるか、分割されるか、或は選択され得る。
電子学習システム1000は、動的スケジューリングのためにモニターリング機能を提供することができる。
ストレージ装置1014、システム装置1012、及びこれらの組み合わせは所定の数や形態のブロックをさらに含むことができる。
例えば、前処理ブロック1030は、第1データブロック1052、第2データブロック1054、第3データブロック1056のデータをトレーニングするか、或は選択する等の処理をすることができる。
第2データブロック1054や第3データブロック1056、又はこれらの組み合わせは、第1データブロック1052から提供されたデータを知的に選択するデータブロック、知的にアップデートするデータブロック、部分的にデータを格納するブロックを含むことができる。
第1データブロック1052、第2データブロック1054、第3データブロック1056、又はこれらの組み合わせは、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、電子学習システム1000は、予測、推薦、フィルタリング、機械学習プロセス、機械学習機能、又はこれらの組み合わせを遂行することができる。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測はクリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
例えば、プログラムインターフェイス1082は、プログラム言語、C、C++、スクリプト言語、Perl、Python、又はこれらの組み合わせを含むことができる。
プログラムインターフェイス1082は、処理、スキャン、フィルタ、分析、圧縮、Karush−Kuhn−Tucker(KKT)フィルタリング、Karush−Kuhn−Tucker(KKT)ベクトルエラーフィルタリング、ランダムフィルタリング、予測、推薦、学習等を含むすべての機械学習プロセスやアルゴリズムのためのビックデータを含むデータを適用することができる。
例えば、インターフェイス1016は、飽和された入出力状態を有すると、電子学習システム1000の減らされた入出力を提供する。
システム装置1012、ストレージ装置1014、これらの組み合わせは、インターフェイス1016の入出力飽和状態を識別し、機能1040の機能をストレージコントロールユニット1032、システムコントロールユニット1034、又はこれらの組み合わせで知的に軽減、スロットル、並列化、分散処理することができる。
負担の軽減事項は、電子学習システム1000、電子システム100に画期的に高いスループットを提供することができる。
例えば、プログラムインターフェイス1082は“LEARN(学習)“命令語を含むことができる。
“LEARN(学習)”命令語は、並列又は分散処理のための機能1040のプログラムインターフェイス1082を遂行するためのメタデータを含むことができる。
システム装置1012、ストレージ装置1014、又はこれらの組み合わせは、機能1040、スケジューリングアルゴリズム、機能割り当て、データ割り当て等を遂行するための高級プログラム言語を含むことができる。
電子学習システム1000は、入出力飽和のような入出力ボトルネック現象に基づいてスキャン及びフィルタリング、メイン反複アルゴリズム等の負担を減らすためにSSD駆動可能である二進コードを前処理ブロック1030に提供することができる。
前処理ブロック1030は、インターフェイス1016の帯域幅に追加的な帯域幅が必要である状況で第1データを含むデータに対して少ないデータをフィルタリングすることができる。
スケジューラーブロック1084を含む電子学習システム1000は、スキャン及びフィルタリングに対する負担軽減の後にも追加的な入出力ボトルネック現象が検出されれば、メイン反複アルゴリズムの少なくとも一部に対する負担軽減を決定することができる。
入出力ボトルネック現象に対する決定のために、データは、システム装置1012、ストレージ装置1014等によってランダムに又は規則的に復旧することができる。
プログラムインターフェイス1082、機能1040等は、システム情報1086に基づいて具現することができる。
追加的に、前処理ブロック1030は、システム情報1086に基づいて第1データに対する知的な選択、分割、フィルタ等の動作を遂行することができる。
システム情報1086は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、サービスインターフェイス1088は、電子学習システム1000、電子システム100、又はこれらの組み合わせの外部への通信サービスを提供することができる。
サービスインターフェイス1088は、REST(Representational state transfer)、SOAP(simple object access protocol)のようなデータを交換するためのプロトコルスペック、電子システム100の外部サービス、電子システム100の外部プロトコル、電子システム100の外部アーキテクチャのようなクライアント−サーバーアプリケーションを構築するためのアーキテクチャと通信することができる。
ストレージ装置1014、システム装置1012はメモリバス、SAS(serial attached small computer system interface)、SATA(serial attached advanced technology attachment)、NVMe(non−volatile memory express)、光チャンネル、イーサーネット(登録商標)(Ethernet(登録商標))、RDMA(remote direct memory access)等を含むインターフェイス1016と接続されることができる。
例えば、電子学習システム1000は、各々1つ以上のストレージ装置1014、第1データブロック1052、第2データブロック1054、第3データブロック1056を含むことができる。
予測、推薦、フィルタリング、機械学習プロセス、機械学習機能、又はこれらの組み合わせは、ビックデータ解析法のような機械学習メカニズムを提供することができる。
同様に、システム学習ブロック1028、ストレージ学習ブロック1024等は、第2データブロック1054のデータに対する予測、推薦、フィルタリング、機械学習プロセス、機械学習機能等のために処理、分析、予測、推薦、フィルタリング、学習、受信、伝送等を遂行することができる。
知的なプロセス分担、スロットリング、並列処理、分散処理等は、少なくともインターフェイス1016でのボトルネック現象、資源飽和、作業累積等を軽減させ、機能1040を遂行するためのストレージ装置1014での高い帯域幅使用率を提供することができる。
図11を参照すると、電子学習システム1100は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
システム装置1112とストレージ装置1114とはインターフェイス1116を通じて互いに又は内部的に通信することができる。
システム装置1112、ストレージ装置1114、インターフェイス1116は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
電子学習システム1100は、ストレージ学習ブロック1124、システム学習ブロック1128、又はこれらの組み合わせを含むことができる。
ストレージ学習ブロック1124、システム学習ブロック1128、又はこれらの組み合わせは、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
ストレージ学習ブロック1124、システム学習ブロック1128、又はこれらの組み合わせは、システムプロセッサ、ストレージコンピューティングプロセッサ、第1コントロールユニット112、第2コントロールユニット134、第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、第1ストレージユニット114、第2ストレージユニット146、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
スキャン及びフィルタブロックのような適応ブロック1130は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、適応プロセシングブロックのような適応ブロック1130は、分割データの画期的な向上のためにトレーニングデータのようなデータを知的に選択するか、或いは分割することができる。
画期的に向上された分割データは、モデル、ベクトル、又はこれらの組み合わせのアップデートを向上させることができる。
知的な選択又は分割は、増加された入出力データに対して高速の収斂特性を提供することができる。
ストレージコントロールユニット1132は、第1ストレージコントロールユニット132又は第2ストレージコントロールユニット152と同様にプロセッサ、ASIC(Application Specific Integrated Circuit)、埋め込み型プロセッサ、マイクロプロセッサ、ハードウェア制御ロジック、ハードウェア有限状態マシン(FSM)、デジタル信号処理器(DSP)、又はこれらの組み合わせであってもよい。
ストレージ装置1114の適応ブロック1130は、システムコントロールユニット1134からストレージコントロールユニット1132に、ストレージコントロールユニット1132からシステムコントロールユニット1134に伝達されるデータのスキャン、フィルタ、選択、分割、処理、受信、伝送、学習等の負担軽減機能を提供することができる。
これら機能は、機械学習、ビックデータ処理、バックデータ解釈、ビックデータ解釈アルゴリズム、又はこれらの組み合わせであってもよい。
例えば、適応ブロック1130は、適応選択率によるスキャン及び選択のみならず、適応学習率によるシステム資源使用率のような機能のためにシステム資源使用率、ストレージ帯域幅を決定することができる。
適応選択率、学習率等に基づいて、適応ブロック1130は、ホスト演算とストレージ演算とを負担軽減率にしたがって制御することができる。
スマートSSDのようなストレージ装置1114は、機械学習の負担軽減、機械学習の分散、機械学習の分割等を提供することができる。
オフロード可能である機械学習コンポーネントや機能は、メイン機械学習アルゴリズム、フィルタ、スキャン、所定の機械学習アルゴリズム、及びこれらの組み合わせを含むことができる。
また、電子学習システム1100は、オフロード可能である機械学習コンポーネントや機能を分離、分割、選択することができる。
オフロード可能である機械学習コンポーネントや機能は、1つ以上の反複学習のために分離されるか、分割されるか、或は選択され得る。
電子学習システム1100は、動的スケジューリングのためにモニターリング機能を提供することができる。
ストレージ装置114、システム装置1112、又はこれらの組み合わせは任意の数や形態のブロックに提供することができる。
適応ブロック1130は、データトレーニングブロックのような第1データブロック1152から受信されたデータを処理、選択、分割して、第2データブロック1154や第3データブロック1156に提供することができる。
第2データブロック1154や第3データブロック1156、又はこれらの組み合わせは、第1データブロック1152から提供されたデータを知的に選択するデータブロック、知的にアップデートするデータブロック、部分的にデータを格納するブロックを含むことができる。
第1データブロック1152、第2データブロック1154、第3データブロック1156、又はこれらの組み合わせは、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、電子学習システム1100は、予測、推薦、フィルタリング、機械学習プロセス、機械学習機能、又はこれらの組み合わせを遂行することができる。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
同様に、システム学習ブロック1128は、予測、推薦、フィルタ、機械学習プロセス、機械学習機能等を提供するために第2データブロック1154のデータを処理、予測、推薦、フィルタリング、学習、受信、伝送、又はこれらの組み合わせによって処理することができる。
命令語としてはビックデータのようなデータに処理、スキャン、フィルタ、分析、圧縮、Karush−Kuhn−Tucker(KKT)フィルタリング、Karush−Kuhn−Tucker(KKT)ベクトルエラーフィルタリング、ランダムフィルタリング、予測、推薦、学習等を含むすべての機械学習プロセスやアルゴリズムを適用することができる。
例えば、インターフェイス1116は、飽和された入出力状態を有すると、電子学習システム1100の減らされた入出力を提供する。
システム装置1112、ストレージ装置1114、これらの組み合わせは、インターフェイス1116の入出力飽和状態を識別し、図10の機能1040のような機能をストレージコントロールユニット1132、システムコントロールユニット1134、又はこれらの組み合わせで知的に軽減、スロットル、並列化、分散処理することができる。
負担の軽減事項は、電子学習システム1100、電子システム100に画期的に高いスループットを提供することができる。
スケジューラーブロック1184は、ノード当たりアドホックスタイルスケジューラーと、第1コントロールユニット112、第2コントロールユニット134等のようなシステム装置1112の制御ユニットによる並列又は分散機械学習のための選択、分割、分離、又はこれらの組み合わせを遂行する第1ストレージコントロールユニット132、第2ストレージコントロールユニット152、又はこれらの組み合わせのようなストレージ装置1114のコントロールユニットにアクセス又は制御することができる。
例えば、適応ブロック1130は、入出力ボトルネック現象、入出力飽和のようなボトルネック現象に対する判断にしたがって第1データブロック1152の第1データのような追加データに対するフィルタリングを遂行することができる。
適応ブロック1130は、インターフェイス1116の帯域幅に追加的な帯域幅が必要である状況で第1データを含むデータに対して少ないデータをフィルタリングすることができる。
スケジューラーブロック1184を含む電子学習システム1100は、スキャン及びフィルタリングに対する負担軽減の後にも追加的な入出力ボトルネック現象が検出されれば、メイン反複アルゴリズムの少なくとも一部に対する負担軽減を決定することができる。
入出力ボトルネック現象に対する決定のために、データは、システム装置1112、ストレージ装置1114等によってランダムに又は規則的に復旧することができる。
一実施形態において、命令語、プログラムインターフェイス等は、命令語、機能等を実行するための新しいシステムコール、拡張システムコール、システム状態、入出力帯域幅のシステム状態、演算使用率に関連されたシステム状態、スロットリングに関連されたシステム状態等を含むシステムコールを含むことができる。
命令語、プログラムインターフェイス等は、システム情報1186に基づくことができる。
その上に、適応ブロック1130は、システム情報1186に基づいて第1データに対する知的な選択、分割、フィルタ等の動作を遂行することができる。
システム情報1086は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
サービスインターフェイス1088は、電子学習システム1100、電子システム100、又はこれらの組み合わせの外部への通信サービスを提供することができる。
ストレージ装置1114、システム装置1112は、メモリバス、SAS(serial attached small computer system interface)、SATA(serial attached advanced technology attachment)、NVMe(non−volatile memory express)、光チャンネル、イーサーネット(登録商標)(Ethernet(登録商標))、RDMA(remote direct memory access)等を含むインターフェイス1116と接続されることができる。
例えば、電子学習システム1100は、各々1つ以上のストレージ装置1114、第1データブロック1152、第2データブロック1154、第3データブロック1156を含むことができる。
知的なプロセス分担、スロットリング、並列処理、分散処理等は、少なくともインターフェイス1116でのボトルネック現象、資源飽和、作業累積等を軽減させ、システム装置1112とストレージ装置1114での高い帯域幅使用率を提供することができる。
図12を参照すると、電子学習システム1200は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
適応プロセスは、並列及び分散機械学習及びストレージ内コンピューティング(ISC)及びSSDのようなシステムのハードウェアコントロールのためのコントロールパラメーター、選択率、学習率、ホスト演算対ストレージ演算割合等を含むことができる。
例えば、電子学習システム1200は、並列又は分散機械学習で部分データの画期的な向上を提供するためにデータトレーニングのような知的にデータを選択、又は分割する機能を提供することができる。
部分データの画期的な向上は、モデル、ベクトル、又はこれらの組み合わせのアップデート動作を向上させることができる。
知的な選択又は分割は、入出力データの増加にも高速の収斂特性を提供することができる。
学習ブロック1220、適応ブロック1230、ロードブロック1250等は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
例えば、学習ブロック1220は、図11の機械学習アルゴリズム、機械学習ブロック、学習ブロック1120、図10の学習ブロック1020、図9の学習ブロック920、図8の学習ブロック820、図2の学習ブロック210等を含むことができる。
適応選択パラメーター1252、適応学習パラメーター1254、適応ロードパラメーター1256等は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
例えば、適応プロセシングブロックに提供される適応ブロック1230は、動的に変化するシステム動作のモニターリング結果に基づいてパーティショニングのためのパラメーターを知的に処理、計算、決定することができる。
適応選択パラメーター1252、適応学習パラメーター1254、適応ロードパラメーター1256、又はこれらの組み合わせは、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせの一部で具現することができる。
適応選択パラメーター1252、適応学習パラメーター1254等のようなソフトウェアコントロールは、機械学習アルゴリズム、選択率、学習率、又はこれらの組み合わせを含むことができる。
一実施形態において、適応ブロック1230は、ストレージ内コンピューティング(ISC)、スマートソリッドステート装置(SSD)のようなロードブロック1250のロードを軽減するための処理のために適応ロードパラメーター1256を含むハードウェア制御パラメーターを処理することができる。
適応ロードパラメーター1256のようなハードウェアコントロールは、ホスト演算に対するストレージ演算、負担軽減率の制御比率を含むことができる。
システム情報1280は、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、第1ストレージユニット114、第2ストレージユニット146、第1ストレージ媒体126、第2ストレージ媒体142、又はこれらの組み合わせで具現されるハードウェアの一部で具現することができる。
システム情報1280を使用する適応ブロック1230は、画期的に向上された部分データを提供するためにトレーニングデータのようなデータを知的に選択し、分離することができる。
図13を参照すると、電子学習システム1300は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
適応プロセスは、並列及び分散機械学習及びストレージ内コンピューティング(ISC)及びSSDのようなシステムのハードウェアコントロールするためのコントロールパラメーター、選択率、学習率、ホスト演算対ストレージ演算割合等を含むことができる。
例えば、電子学習システム1300は、並列又は分散機械学習で部分データの画期的な向上を提供するためにデータトレーニングのような知的にデータを選択、又は分割する機能を提供することができる。
部分データの画期的な向上は、モデル、ベクトル、又はこれらの組み合わせのアップデート動作を向上させることができる。
知的な選択又は分割は、入出力データの増加にも高速の収斂特性を提供することができる。
第1コンピューティング装置1312、第2コンピューティング装置1314、第3コンピューティング装置1316、又はこれらの組み合わせは、図5のシステム装置512とストレージ装置514、図9のシステム装置912とストレージ装置914、図10のシステム装置1012とストレージ装置1014、図11のシステム装置1112とストレージ装置1114、第1装置102、第2装置106、何らかの演算装置、又はこれらの組み合わせを含むシステム装置で具現することができる。
例示的に、電子学習システム1300は、3つのコンピューティング装置を含むこととして図示しているが、任意の数のコンピューティング装置が含まれることは容易に理解できる。
モデル装置1370は、システム装置、ストレージ装置等で具現することができる。
モデル装置1370は、コンピューティング資源を含むが、要求はしない。
モデル装置1370は、機械学習データ、ビックデータ機械学習、分析されたビックデータ、ビックデータ解析法等に基づいて機械学習データ、ベクトル、パラメーター、モデル等を含むことができる。
例えば、第1コンピューティング装置1312、第2コンピューティング装置1314、第3コンピューティング装置1316、又はこれらの組み合わせは、ハードウェア回路の一部を共有することができる。
また、電子学習システム1300は、ホスト装置やシステム装置デ計算されたモデルである第2モデル1374のベクトルを含むことができる。
電子学習システム1300は、第1モデル1372、第2モデル1374の新しい又はアップデートされたベクトルを提供することができる。
第1モデル1372、第2モデル1374は、モデル装置1370上で提供され、格納され、アップデートされ、訂正され、記入され、記録され、入力され、集積され、置換されることができる。
例示的に、第1モデル1372は、ストレージ装置で計算されたモデルで図示しているが、第1モデル1372は他の装置で計算されることは容易に理解できる。
同様に、第2モデル1374は、ホスト又はシステム装置で計算されたモデルで図示しているが、第2モデル1374は他の装置で計算されることは容易に理解できる。
トレーニングデータのようなデータに対する知的な選択又は分割は、画期的に向上された部分データを提供することができる。
画期的に向上された部分データは、モデル、ベクトル等をアップデートを向上させることができる。
データに対する知的な選択又は分割は、増加された入出力装置で高速の収斂特性を提供することができる。
第1スケジューラーブロック1382、第2スケジューラーブロック1384、第3スケジューラーブロック1386、又はこれらの組み合わせは、ノード当たりアドホックスタイルスケジューラーと、第1コンピューティング装置1312、第2コンピューティング装置1314、第3コンピューティング装置1316等のコントロールユニットにアクセス又は制御することができる。
スケジューラー1380は、第1スケジューラーブロック1382、第2スケジューラーブロック1384、第3スケジューラーブロック1386のマルチサブブロックを有する単一ブロックで構成されてもよい。
スケジューラー1380は、第1コンピューティング装置1312、第2コンピューティング装置1314、第3コンピューティング装置1316を有する第1モデル1372、第2モデル1374の機能を提供するためにデータ、プロセス、分析、機能、学習等を知的に負担の軽減をさせ、選択、分割、分離等の演算を遂行することができる。
図14を参照すると、電子学習システム1400は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
適応プロセスは、並列及び分散機械学習及びストレージ内コンピューティング(ISC)及びSSDのようなシステムのハードウェアコントロールするためのコントロールパラメーター、選択率、学習率、ホスト演算対ストレージ演算割合等を含むことができる。
例えば、電子学習システム1400は、部分データの画期的な向上を提供するためにトレーニングデータのようなデータを知的に又は分割する機能を提供することができる。
部分データの画期的な向上は、モデル、ベクトル、又はこれらの組み合わせのアップデート動作を向上させることができる。
知的な選択又は分割は、入出力データの増加にも高速の収斂特性を提供することができる。
例示的に、2つの検出プロセスが図示しているが、任意の数字の検出プロセスが含まれることは容易に理解できる。
その上に、表現のために他のプロセスは1つのプロセスで図示しているが、他の数字のプロセスで表れることは容易に理解できる。
例えば、第1検出プロセス(ステップS1420)は、システムやホスト装置、ストレージ装置の入出力問題を検出することができる。
第1検出プロセス(ステップS1420)は上述した検出結果に基づいてオフロードプロセス(ステップS1430)に継続するか、或は取消することができる。
問題が検出されなければ、第1検出プロセス(ステップS1420)はモニターリングプロセス(ステップS1440)に手続を進行する。
オフロードプロセス(ステップS1430)はデータ、タスク、プロセス、機能、ビックデータ、分析法等を含む機械学習に対して選択、分割、並列化、分散等の処理を遂行することができる。
例えば、オフロードプロセス(ステップS1430)はホストやシステムからストレージ内コンピューティング(ISC)のためのデータ及びプロセスを分散させることができる。オフロードプロセス(ステップS1430)はモニターリングプロセス(ステップS1440)に手続を移動させる。
モニターリングプロセス(ステップS1440)は第2検出プロセス(ステップS1450)に手続を移動させる。
例えば、第2検出プロセス(ステップS1450)はシステムやホスト装置、ストレージ装置の入出力問題を検出することができる。
第2検出プロセス(ステップS1450)は上述した検出結果に基づいてスロットリングプロセス(ステップS1430)に手続を移動させる。
第2検出プロセス(ステップS1450)は上述した検出結果に基づいてチェックプロセス(ステップS1470)に手続を移動させる。
スロットリングプロセス(ステップS1460)は、データ、タスク、プロセス、機能、ビックデータ、分析法等を含む機械学習に対して選択、分割、並列化、分散等の処理を遂行することができる。
例えば、スロットリングプロセス(ステップS1460)は、ホストやシステムからストレージ内コンピューティング(ISC)のためのデータ及びプロセスを分散させることができる。
スロットリングプロセス(ステップS1460)はチェックプロセス(ステップS1470)に手続を移動させる。
上述した決定によって電子システム100で発生した問題が解決されれば、チェックプロセス(ステップS1470)は手続を終了プロセス(ステップS1480)に移動する。
一方、上述した決定によって電子システム100で発生した問題が未解決であれば、チェックプロセス(ステップS1470)は手続をモニターリングプロセス(ステップS1440)に戻す。
第1検出プロセス(ステップS1420)、第2検出プロセス(ステップS1450)、チェックプロセス(ステップS1470)、又はこれらの組み合わせは、継続する未解決であるボトルネック現象に基づいて反複することができる。
図15を参照すると、電子学習システム1500は、図1の第1装置102、図1の第2装置106、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせで具現することができる。
機械学習機能は、人工知能、明示的なプログラム無しでコンピュータが動作するようにするか、或は自動推論、自動適応、自動決定、自動学習、明示的なプログラム無しでコンピュータが自動に学習するようにする機能、又はこれらの組み合わせに該当するアルゴリズムを含むことができる。
機械学習は、人工知能AIの1つの形態として考慮することができる。
機械学習は、明示的な設計やプログラム工程で具現され、ルールベースアルゴリズムとしては実行が不可能である。
ある実施形態では、ビックデータ分析のような機械学習を提供するための予測は、クリックや広告又は広告主の選択に基づき、品目の推薦、スパムフィルタリング、プロセス、又はこれらの組み合わせであってもよい。
並列処理のための並列又は分散機械学習メカニズムは、図1の第1コントロールユニット112、図1の第2コントロールユニット134、図1の第1ストレージユニット114、図1の第2ストレージユニット146、図1の第1ストレージコントロールユニット132、図1の第2ストレージコントロールユニット152、図1の第1ストレージ媒体126、図1の第2ストレージ媒体142、又はこれらの組み合わせの中の少なくとも1つで実行することができる。
ホスト装置1512とストレージ装置1514は、第1装置102で構成されるか、或いは第1装置102の付属コンポーネント、第2装置106で構成されるか、或いは第2装置106の付属コンポーネント、集積回路、集積回路コア、集積回路コンポーネント、MEMS(Microelectromechanical System)、受動素子、又はこれらの組み合わせのようなハードウェアの一部で具現することができる。
インターフェイス1516は、SAS(serial attached small computer system interface)、SATA(serial attached advanced technology attachment)、NVMe(non−volatile memory express)、光チャンネル、イーサーネット(登録商標)(Ethernet(登録商標))、RDMA(remote direct memory access)、又はこれらの組み合わせとの中のいずれか1つを含むことができる。
1つ以上のストレージ用CPU1532は、ストレージ内コンピューティング(ISC)のみならず、並列処理のためのクラスターコンピューティングを含む並列又は分散機械学習を提供することができる。
例示的に、4つのストレージ用CPU1532を図示しているが、任意の数字のストレージ用CPU1532が含まれることは容易に理解できる。
メモリ1542は、DRAM、SRAM、他のメモリ技術を含む揮発性メモリを含むことができる。
不揮発性メモリ1546は、フラッシュドライブ、ディスクストレージ、不揮発性メモリ(NVM)、他のストレージ技術を含むことができる。
ファームウェア1548は、ROM、EPROM、フラッシュメモリ等の不揮発性メモリに格納され得る。
メモリ1542、不揮発性メモリ1546、ファームウェア1548等は、集積回路、集積回路コア、集積回路コンポーネント、受動素子等で具現することができる。
関連情報は、ストレージ装置1514で動作するための入力データ、以前に存在したデータ、臨時データ、ソーシャルネットワークデーの任意のフォーム、ユーザープロフィール、行動データ、クッキー、ユーザーデータの収集データ等を含むことができる。
アプリケーション1572は、ドライバ1586に対するシステム状態、入出力制御、図10の‘LEARN’命令語、メタデータ、任意のシステムコールを含むシステムコール1582を提供することができる。
ドライバ1586は、システムコール1582に基づいてストレージ装置1514にシステム命令語1584を提供することができる。
問題やボトルネック現象は、インターフェイス1516を含むシステム資源の資源飽和、圧力、資源制限等を含むことができる。
検出、識別、モニターリング、測定、チェッキング等は、学習エンジン1524、システムコール1582、システム命令語1584等の並列及び分散処理の遂行に知能を提供することができる。
ファームウェア1548は、ストレージ用CPU1532と学習エンジン1524の学習命令語1594とシステム命令語1584とをレギュラー命令語1592に分割、分離、選択することができる。
機械学習命令語のような学習命令語1594は、クラスターコンピューティング、ストレージ用CPU1532の並列又は分散機械学習を提供することができる。
レギュラー命令語1592は、ストレージ装置1514に機械学習を要求しないシステム命令語1594を含むことができる。
システムコール1582、システム命令語1584、又はこれらの組み合わせは、ストレージ用CPU1532での知的な並列処理を提供することができる。
図16を参照すると、本発明の実施形態による分割メカニズムを有する電子システム100は、応用例としてスマートフォン1612、自動車のダッシュボード1622、ノートブック型コンピュータ1632、サーバ1642、又はこれらの組み合わせを含むことができる。
応用例は、本発明の多様な実施形態の目的又は機能の例と向上された帯域幅、面積効率等を含む処理性能で向上の重要度を含む。
ストレージ装置1114の図11の適応ブロック1130、図10のスケジューラーブロック1084、又はこれらの組み合わせは、知的に機械学習を選択、分離、並列、分割することができる。
スケジューラーブロック1380は、知的に機械学習を選択、分離、並列、分割することができる。
例えば、図15のストレージ装置1514は、スマートフォン1612、自動車のダッシュボード1622、ノートブック型コンピュータ1632、サーバ1642、又はこれらの組み合わせのような電子システム100で画期的なシステム性能向上とボトルネック現象、資源飽和、圧力、資源限界等のような問題を回避できる手段を提供する。
図15のストレージ装置1514の学習エンジン1524は、知的に機械学習を選択、分離、並列、分割することができる。
多様に変更され得る本発明の実施形態は、機械学習機能を選択、パーティショニング、並列化、分離してシステム性能を向上させ、エネルギー効率を向上させ、新しい技術の適用を可能するようにし、現在の物理階層での互換性を提供し、使用者アプリケーションに対する透明性のある実施を可能する。
電子システム100は、スマートフォン1612、自動車のダッシュボード1622、ノートブック型コンピュータ1632、サーバ1642等の内部に設置されるアダプタカードであってもよい。
例示的にスマートフォン1612、自動車のダッシュボード1622、ノートブック型コンピュータ1632、サーバ1642、他の電子装置、又はこれらの組み合わせを電子システム100として説明したが、電子システム100はいずれの電子装置に使用されても構わない。
動作方法1700は、ステップS1702で、ストレージインターフェイスからシステム情報を受信する段階、ステップS1704で、システム情報を参照して前処理ブロックを実行するストレージコントロールユニットでパーティショニングを遂行する段階、及びステップS1706で、学習ブロックを実行するストレージコントロールユニットがデータの部分データを処理するための機械学習を分配する段階を含む。
動作方法1700のステップS1704はプログラムインターフェイスを実行するストレージコントロールユニットを含むことができる。
一実施形態において、動作方法1700のステップS1704は選択ブロックを実行するストレージユニットを含むことができる。
動作方法1700のステップS1704はスキャン及び選択ブロックを実行するストレージコントロールユニットを含むことができる。
動作方法1700のステップS1706はスケジューラーブロックを実行するストレージコントロールユニットを含むことができる。
動作方法1700はデータを格納するストレージ媒体を有するデータストレージ段階をさらに含むことができる。
104 通信経路
106 第2装置
108 第1装置伝送部
110 第2装置伝送部
112 第1コントロールユニット
114 第1ストレージユニット
116 第1通信ユニット
118 第1ユーザーインターフェイス
122 第1コントロールインターフェイス
124 第1ストレージインターフェイス
126 第1ストレージ媒体
128 第1通信インターフェイス
130 第1ディスプレイインターフェイス
132 第1ストレージコントロールユニット
134 第2コントロールユニット
136 第2通信ユニット
138 第2ユーザーインターフェイス
140 第2ディスプレイインターフェイス
142 第2ストレージ媒体
144 第2コントロールインターフェイス
146 第2ストレージユニット
148 第2ストレージインターフェイス
150 第2通信インターフェイス
152 第2ストレージコントロールユニット
Claims (20)
- システム情報を受信するストレージインターフェイスと、
前記ストレージインターフェイスと接続され、前記システム情報に基づいてデータをパーティショニング(partitioning)するための前処理ブロックと、マシン学習プロセスを分配するために前記データの部分データを処理する学習ブロックとを実行するストレージコントロールユニットと、を有することを特徴とする電子システム。 - 前記ストレージコントロールユニットは、適応的な前処理ブロックを実行することを特徴とする請求項1に記載の電子システム。
- 前記ストレージコントロールユニットは、プログラミングインターフェイスを実行することを特徴とする請求項1に記載の電子システム。
- 前記ストレージコントロールユニットは、スケジュールブロックを実行することを特徴とする請求項1に記載の電子システム。
- 前記ストレージコントロールユニットは、選択ブロックを実行することを特徴とする請求項1に記載の電子システム。
- 前記ストレージコントロールユニットは、スキャン及び選択ブロックを実行することを特徴とする請求項1に記載の電子システム。
- 前記データを格納するためのストレージ媒体をさらに有することを特徴とする請求項1に記載の電子システム。
- 電子システムの動作方法において、
ストレージインターフェイスでシステム情報を受信する段階と、
前処理ブロックを実行するストレージコントロールユニットで、前記システム情報に基づいてデータをパーティショニングする段階と、
学習ブロックを実行するストレージコントロールユニットで、前記データの部分データを処理するためのマシン学習プロセスを分配する段階と、を有することを特徴とする電子システムの動作方法。 - 前記データをパーティショニングする段階は、前記ストレージコントロールユニットで適応的な前処理ブロックを実行する段階を含むことを特徴とする請求項8に記載の電子システムの動作方法。
- 前記データをパーティショニングする段階は、前記ストレージコントロールユニットでプログラミングインターフェイスを実行する段階を含むことを特徴とする請求項8に記載の電子システムの動作方法。
- マシン学習プロセスを分配する段階は、前記ストレージコントロールユニットでスケジューラーブロックを実行する段階を含むことを特徴とする請求項8に記載のメモリシステムの動作方法。
- 前記データをパーティショニングする段階は、前記ストレージコントロールユニットで選択ブロックを実行する段階を含むことを特徴とする請求項8に記載の電子システムの動作方法。
- 前記データをパーティショニングする段階は、前記ストレージコントロールユニットでスキャン及び選択ブロックを実行する段階を含むことを特徴とする請求項8に記載の電子システムの動作方法。
- 前記データをストレージ媒体に格納する段階をさらに有することを特徴とする請求項8に記載の電子システムの動作方法。
- コントロールユニットによって実行される命令語を具備する不揮発性のコンピュータ読取可能ストレージ媒体において、
前記命令語は、ストレージインターフェイスでシステム情報を受信し、
ストレージコントロールユニットで前記システム情報に基づいて前処理ブロックを実行するためのデータのパーティショニングを遂行し、
前記ストレージブロックに接続されて学習ブロックを実行するストレージコントロールユニットで前記データの部分データを処理するためにマシン学習プロセスを分配する動作を含むことを特徴とする不揮発性コンピュータ読取可能ストレージ媒体。 - 前記データのパーティショニングは、前記ストレージコントロールユニットで適応的な前処理ブロックを遂行する動作を含むことを特徴とする請求項15に記載の不揮発性コンピュータ読取可能ストレージ媒体。
- 前記データのパーティショニングは、前記ストレージコントロールユニットでプログラミングインターフェイスを実行する動作を含むことを特徴とする請求項15に記載の不揮発性コンピュータ読取可能ストレージ媒体。
- 前記マシン学習プロセスを分配する動作は、前記ストレージコントロールユニットでスケジュールブロックを実行する動作を含むことを特徴とする請求項15に記載の不揮発性コンピュータ読取可能ストレージ媒体。
- 前記データのパーティショニングは、前記ストレージコントロールユニットで選択ブロックを実行する動作を含むことを特徴とする請求項15に記載の不揮発性コンピュータ読取可能ストレージ媒体。
- 前記データのパーティショニングは、前記ストレージコントロールユニットでスキャン及び選択ブロックを実行する段階を含むことを特徴とする請求項15に記載の不揮発性コンピュータ読取可能ストレージ媒体。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462099067P | 2014-12-31 | 2014-12-31 | |
US62/099,067 | 2014-12-31 | ||
US14/877,421 US9766818B2 (en) | 2014-12-31 | 2015-10-07 | Electronic system with learning mechanism and method of operation thereof |
US14/877,421 | 2015-10-07 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2016126801A true JP2016126801A (ja) | 2016-07-11 |
JP2016126801A5 JP2016126801A5 (ja) | 2019-01-31 |
JP6533470B2 JP6533470B2 (ja) | 2019-06-19 |
Family
ID=56164190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016000248A Active JP6533470B2 (ja) | 2014-12-31 | 2016-01-04 | 学習メカニズムを有する電子システム及びその動作方法並びに不揮発性コンピュータ読取可能ストレージ媒体 |
Country Status (4)
Country | Link |
---|---|
US (2) | US9766818B2 (ja) |
JP (1) | JP6533470B2 (ja) |
KR (1) | KR102509904B1 (ja) |
CN (2) | CN105739917B (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336700A1 (en) | 2016-12-13 | 2018-06-20 | Canon Kabushiki Kaisha | Service system and control method of the same |
KR20190134293A (ko) * | 2018-05-25 | 2019-12-04 | 에스케이하이닉스 주식회사 | 머신 러닝 장치 및 이를 이용한 머신 러닝 시스템 |
JP2020166562A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社メガチップス | メモリシステム、コンピュータシステムおよび情報保護方法 |
JP2021518936A (ja) * | 2018-02-08 | 2021-08-05 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | 電力および性能の予測および制御のためのハイブリッドシステムオンチップ |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10261817B2 (en) * | 2014-07-29 | 2019-04-16 | Nxp Usa, Inc. | System on a chip and method for a controller supported virtual machine monitor |
US10268521B2 (en) * | 2016-01-22 | 2019-04-23 | Samsung Electronics Co., Ltd. | Electronic system with data exchange mechanism and method of operation thereof |
US10357739B2 (en) | 2016-05-20 | 2019-07-23 | Zero Mass Water Inc. | Systems and methods for water extraction control |
US10929771B2 (en) | 2016-11-15 | 2021-02-23 | General Electric Company | Multimodal, small and big data, machine tearing systems and processes |
US11010431B2 (en) | 2016-12-30 | 2021-05-18 | Samsung Electronics Co., Ltd. | Method and apparatus for supporting machine learning algorithms and data pattern matching in ethernet SSD |
WO2018200541A1 (en) | 2017-04-24 | 2018-11-01 | Carnegie Mellon University | Virtual sensor system |
US11348030B2 (en) * | 2017-05-10 | 2022-05-31 | Petuum Inc. | System and methods for distributed machine learning with multiple data sources, multiple programming languages or frameworks, and multiple devices or infrastructures |
WO2019014599A2 (en) | 2017-07-14 | 2019-01-17 | Zero Mass Water, Inc. | SYSTEMS FOR CONTROLLED WATER PROCESSING WITH OZONE AND RELATED METHODS |
US20180365556A1 (en) * | 2017-07-31 | 2018-12-20 | Seematics Systems Ltd | System and method for generating and using descriptors of artificial neural networks |
US11359356B2 (en) | 2017-09-05 | 2022-06-14 | Source Global, PBC | Systems and methods for managing production and distribution of liquid water extracted from air |
WO2019050861A1 (en) | 2017-09-05 | 2019-03-14 | Zero Mass Water, Inc. | SYSTEMS AND METHODS FOR PRODUCING LIQUID WATER EXTRACTED FROM AIR |
MX2020004213A (es) | 2017-10-06 | 2021-01-15 | Zero Mass Water Inc | Sistemas para generar agua con calor residual y metodos relacionados para lo mismo. |
KR20190043411A (ko) * | 2017-10-18 | 2019-04-26 | 삼성전자주식회사 | 스토리지 장치, 스토리지 장치를 포함하는 컴퓨팅 시스템, 그리고 스토리지 장치의 동작 방법 |
KR102057219B1 (ko) * | 2017-11-21 | 2019-12-18 | 연세대학교 산학협력단 | 데이터 입출력 포화 검출 장치 및 방법 |
AU2018380168B2 (en) * | 2017-12-06 | 2023-11-02 | Source Global, PBC | Systems for constructing hierarchical training data sets for use with machine-learning and related methods therefor |
WO2019217974A1 (en) | 2018-05-11 | 2019-11-14 | Zero Mass Water, Inc. | Systems for generating water using exogenously generated heat, exogenously generated electricity, and exhaust process fluids and related methods therefor |
US10600005B2 (en) * | 2018-06-01 | 2020-03-24 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
WO2020021687A1 (ja) * | 2018-07-26 | 2020-01-30 | 三菱電機株式会社 | 水処理プラント |
AU2019359894A1 (en) | 2018-10-19 | 2021-06-10 | Source Global, PBC | Systems and methods for generating liquid water using highly efficient techniques that optimize production |
US20200124566A1 (en) | 2018-10-22 | 2020-04-23 | Zero Mass Water, Inc. | Systems and methods for detecting and measuring oxidizing compounds in test fluids |
US10901793B2 (en) | 2019-01-23 | 2021-01-26 | International Business Machines Corporation | Determining whether to process a host request using a machine learning module |
BR112021021014A2 (pt) | 2019-04-22 | 2021-12-14 | Source Global Pbc | Sistema e método de secagem de ar por adsorção de vapor d'água para geração de água líquida a partir do ar |
US11375012B2 (en) * | 2020-06-15 | 2022-06-28 | Dell Products, L.P. | Method and apparatus for determining feature usage on a set of storage systems deployed across multiple customer sites |
CN113873538A (zh) * | 2020-06-30 | 2021-12-31 | 华为技术有限公司 | 一种模型数据传输方法及通信装置 |
AU2022210999A1 (en) | 2021-01-19 | 2023-08-24 | Source Global, PBC | Systems and methods for generating water from air |
CN113190176B (zh) * | 2021-05-11 | 2023-01-10 | 上海华东汽车信息技术有限公司 | 一种数据存储方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290223A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | Method and system for distributed machine learning |
JP2014164568A (ja) * | 2013-02-26 | 2014-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 端末装置、分散処理方法、分散処理プログラムおよび分散処理システム |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061535A1 (en) * | 2005-09-12 | 2007-03-15 | Microsoft Corporation | Processing unit enclosed operating system |
US8127075B2 (en) * | 2007-07-20 | 2012-02-28 | Seagate Technology Llc | Non-linear stochastic processing storage device |
US8375190B2 (en) * | 2007-12-11 | 2013-02-12 | Microsoft Corporation | Dynamtic storage hierarachy management |
KR101546072B1 (ko) * | 2008-10-07 | 2015-08-21 | 삼성전자주식회사 | 반도체 디스크 장치, 그것을 포함하는 컴퓨팅 시스템, 그리고 그것의 동작 방법 |
US20100223213A1 (en) * | 2009-02-27 | 2010-09-02 | Optillel Solutions, Inc. | System and method for parallelization of machine learning computing code |
US8261266B2 (en) * | 2009-04-30 | 2012-09-04 | Microsoft Corporation | Deploying a virtual machine having a virtual hardware configuration matching an improved hardware profile with respect to execution of an application |
CN102033713A (zh) * | 2009-09-24 | 2011-04-27 | 凹凸电子(武汉)有限公司 | 电子系统、控制器及数据传输方法 |
US9558247B2 (en) | 2010-08-31 | 2017-01-31 | Samsung Electronics Co., Ltd. | Storage device and stream filtering method thereof |
US9104655B2 (en) | 2011-10-03 | 2015-08-11 | Aol Inc. | Systems and methods for performing contextual classification using supervised and unsupervised training |
KR101388906B1 (ko) * | 2012-05-30 | 2014-04-23 | 삼성전기주식회사 | 정전용량 감지 장치, 정전용량 감지 방법, 및 터치스크린 장치 |
US9436911B2 (en) * | 2012-10-19 | 2016-09-06 | Pearson Education, Inc. | Neural networking system and methods |
US20140114442A1 (en) * | 2012-10-22 | 2014-04-24 | The Boeing Company | Real time control system management |
US10223327B2 (en) | 2013-03-14 | 2019-03-05 | Fisher-Rosemount Systems, Inc. | Collecting and delivering data to a big data machine in a process control system |
CN104102475B (zh) * | 2013-04-11 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 分布式并行任务处理的方法、装置及系统 |
US8819335B1 (en) | 2013-08-30 | 2014-08-26 | NXGN Data, Inc. | System and method for executing map-reduce tasks in a storage device |
CN103559205A (zh) * | 2013-10-09 | 2014-02-05 | 山东省计算中心 | 基于MapReduce的并行特征选择方法 |
US20150324690A1 (en) * | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
US10318882B2 (en) * | 2014-09-11 | 2019-06-11 | Amazon Technologies, Inc. | Optimized training of linear machine learning models |
US10102480B2 (en) * | 2014-06-30 | 2018-10-16 | Amazon Technologies, Inc. | Machine learning service |
US9626227B2 (en) * | 2015-03-27 | 2017-04-18 | Intel Corporation | Technologies for offloading and on-loading data for processor/coprocessor arrangements |
US9720738B2 (en) * | 2015-04-09 | 2017-08-01 | International Business Machines Corporation | Datacenter scheduling of applications using machine learning techniques |
US20160358099A1 (en) * | 2015-06-04 | 2016-12-08 | The Boeing Company | Advanced analytical infrastructure for machine learning |
-
2015
- 2015-10-07 US US14/877,421 patent/US9766818B2/en active Active
- 2015-12-31 KR KR1020150190830A patent/KR102509904B1/ko active IP Right Grant
- 2015-12-31 CN CN201511030671.3A patent/CN105739917B/zh active Active
- 2015-12-31 CN CN202010876188.1A patent/CN112181289A/zh active Pending
-
2016
- 2016-01-04 JP JP2016000248A patent/JP6533470B2/ja active Active
-
2017
- 2017-08-11 US US15/675,350 patent/US20170371544A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290223A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | Method and system for distributed machine learning |
JP2014164568A (ja) * | 2013-02-26 | 2014-09-08 | Nippon Telegr & Teleph Corp <Ntt> | 端末装置、分散処理方法、分散処理プログラムおよび分散処理システム |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336700A1 (en) | 2016-12-13 | 2018-06-20 | Canon Kabushiki Kaisha | Service system and control method of the same |
US11303546B2 (en) | 2016-12-13 | 2022-04-12 | Canon Kabushiki Kaisha | Service system and control method of the same |
JP2021518936A (ja) * | 2018-02-08 | 2021-08-05 | アリババ・グループ・ホールディング・リミテッドAlibaba Group Holding Limited | 電力および性能の予測および制御のためのハイブリッドシステムオンチップ |
JP7047114B2 (ja) | 2018-02-08 | 2022-04-04 | アリババ・グループ・ホールディング・リミテッド | 電力および性能の予測および制御のためのハイブリッドシステムオンチップ |
KR20190134293A (ko) * | 2018-05-25 | 2019-12-04 | 에스케이하이닉스 주식회사 | 머신 러닝 장치 및 이를 이용한 머신 러닝 시스템 |
KR102615443B1 (ko) * | 2018-05-25 | 2023-12-20 | 에스케이하이닉스 주식회사 | 머신 러닝 장치 및 이를 이용한 머신 러닝 시스템 |
US11972328B2 (en) | 2018-05-25 | 2024-04-30 | SK Hynix Inc. | Machine learning device and machine learning system using the same |
JP2020166562A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社メガチップス | メモリシステム、コンピュータシステムおよび情報保護方法 |
JP7072535B2 (ja) | 2019-03-29 | 2022-05-20 | 株式会社メガチップス | メモリシステム、コンピュータシステムおよび情報保護方法 |
Also Published As
Publication number | Publication date |
---|---|
KR102509904B1 (ko) | 2023-03-14 |
CN105739917A (zh) | 2016-07-06 |
JP6533470B2 (ja) | 2019-06-19 |
CN105739917B (zh) | 2020-09-22 |
US20160188207A1 (en) | 2016-06-30 |
US9766818B2 (en) | 2017-09-19 |
CN112181289A (zh) | 2021-01-05 |
KR20160082678A (ko) | 2016-07-08 |
US20170371544A1 (en) | 2017-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6533470B2 (ja) | 学習メカニズムを有する電子システム及びその動作方法並びに不揮発性コンピュータ読取可能ストレージ媒体 | |
US11487589B2 (en) | Self-adaptive batch dataset partitioning for distributed deep learning using hybrid set of accelerators | |
US11144828B2 (en) | Training task optimization system, training task optimization method and non-transitory computer readable medium for operating the same | |
US10728091B2 (en) | Topology-aware provisioning of hardware accelerator resources in a distributed environment | |
KR102624607B1 (ko) | 고성능 ssd들을 사용하여 롱 테일 레이턴시를 감소시키기 위한 랙-레벨의 스케줄링 | |
CN110520853B (zh) | 直接存储器访问的队列管理 | |
US9965331B2 (en) | System and method for runtime grouping of processing elements in streaming applications | |
KR20200050409A (ko) | 저장 매체 액세스의 인공 지능 가능 관리 | |
CN110610449B (zh) | 处理计算任务的方法、设备和计算机程序产品 | |
US20190227936A1 (en) | Heterogeneous computing system configured to adaptively control cache coherency | |
US9811379B2 (en) | Highly efficient inexact computing storage device | |
EP3920026A1 (en) | Scheduler, method of operating the same, and accelerator apparatus including the same | |
US20220121912A1 (en) | Data processing method and apparatus | |
US20230136661A1 (en) | Task scheduling for machine-learning workloads | |
CN114118433A (zh) | 一种设备的配置参数的推荐方法及装置 | |
JP7017600B2 (ja) | Mlモデルおよびaiモデルのために敵対的サンプルを軽減するためのシステム | |
KR102238600B1 (ko) | 스케쥴러 컴퓨팅 장치, 그것을 포함하는 분산 컴퓨팅 시스템의 데이터 노드 및 그것의 방법 | |
US20170344903A1 (en) | Parallel Ensemble of Support Vector Machines | |
US11334390B2 (en) | Hyper-converged infrastructure (HCI) resource reservation system | |
US10901901B2 (en) | Deployment of processing elements in non-uniform memory access environments | |
US20200143244A1 (en) | Method of managing task in artificial neural network and system including the artificial neural network system using the method | |
CN111461310A (zh) | 处理神经网络模型的神经网络设备、神经网络系统和方法 | |
US11797280B1 (en) | Balanced partitioning of neural network based on execution latencies | |
US10089265B2 (en) | Methods and systems for handling interrupt requests | |
JP6542721B2 (ja) | データ管理装置及びデータ管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181217 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181217 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181217 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181217 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190122 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190417 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190521 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6533470 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |