Expérimenter avec les systèmes RISC-V émergents pour l'apprentissage automatique décentralisé

L'apprentissage automatique décentralisé (DML) permet l'apprentissage collaboratif sans données d'entrée centralisées. L'apprentissage fédéré (FL) et l'inférence en périphérie sont des exemples de DML. Bien que les outils pour le DML (en particulier le FL) commencent à prospérer, beaucoup ne sont pas assez flexibles et portables pour expérimenter avec des processeurs novateurs (par exemple, RISC-V), des topologies de réseau non entièrement connectées et des schémas de collaboration asynchrone. Nous surmontons ces limitations via un langage spécifique au domaine nous permettant de mapp-er les schémas DML à un middleware sous-jacent, c'est-à-dire la bibliothèque de programmation parallèle FastFlow. Nous expérimentons avec en générant différents schémas DML opérationnels sur des plateformes x86-64 et ARM ainsi qu'un système RISC-V émergent. Nous caractérisons la performance et l'efficacité énergétique des schémas et systèmes présentés. En tant que sous-produit, nous introduisons un portage RISC-V du framework PyTorch, le premier disponible publiquement à notre connaissance.