病気診断のための高性能なハードウェアベースの深層学習システム

A high-performance, hardware-based deep learning system for disease diagnosis.

抄録

最新の深層学習スキームは、医学の分野で人間レベルの性能を示している。しかし、最新のアルゴリズムやニューロン活性化関数は一般的にハードウェアに優しくなく、多くのリソースを必要とするため、専用のハードウェアにディープラーニングアルゴリズムを実装することは依然として困難な課題である。最近、研究者たちは、高スループットと高精度を同時に実現できる、ハードウェアフレンドリーな活性化関数を考え出した。そこで我々は、98.23%の精度でヒトの癌の有無を予測できる、ハードウェアベースのニューラルネットワークを提案する。これは、SqishとLogSQNLという、コスト効率が高く、精度の高い活性化関数を利用することで実現される。このシステムは本質的に並列コンポーネントであるため、与えられたサンプルをわずか1クロック・サイクル（15.75ナノ秒）で分類することができる。このシステムはガン診断に特化しているが、心臓など他の多くの病気の存在を予測することができる。これは、このシステムが再構成可能であり、あらゆるサンプルを2つのクラスのいずれかに分類するようにプログラムできるからである。提案されたハードウェア・システムは、約983個のスライス・レジスタ、2,655個のスライス・ルックアップ・テーブル、わずか1.1キロビットのオンチップ・メモリを必要とする。このシステムは1秒間に約6350万個の癌サンプルを予測することができ、1秒間に約20ギガ演算を行うことができる。提案されたシステムは、分類タスクにニューラルネットワークを使用する他の専用ハードウェア・システムよりも約5〜16倍安く、少なくとも4倍高速である。

Modern deep learning schemes have shown human-level performance in the area of medical science. However, the implementation of deep learning algorithms on dedicated hardware remains a challenging task because modern algorithms and neuronal activation functions are generally not hardware-friendly and require a lot of resources. Recently, researchers have come up with some hardware-friendly activation functions that can yield high throughput and high accuracy at the same time. In this context, we propose a hardware-based neural network that can predict the presence of cancer in humans with 98.23% accuracy. This is done by making use of cost-efficient, highly accurate activation functions, Sqish and LogSQNL. Due to its inherently parallel components, the system can classify a given sample in just one clock cycle, , 15.75 nanoseconds. Though this system is dedicated to cancer diagnosis, it can predict the presence of many other diseases such as those of the heart. This is because the system is reconfigurable and can be programmed to classify any sample into one of two classes. The proposed hardware system requires about 983 slice registers, 2,655 slice look-up tables, and only 1.1 kilobits of on-chip memory. The system can predict about 63.5 million cancer samples in a second and can perform about 20 giga-operations per second. The proposed system is about 5-16 times cheaper and at least four times speedier than other dedicated hardware systems using neural networks for classification tasks.