Learned Index Acceleration with FPGAs: A SMART Approach
Notice bibliographique
Résumé
Indexes in database systems such as B+trees and hash tables are designed for fast data retrieval. These are created on columns of a table and serve as a pointer to map a key to the position of a record on a table. Much research has been conducted on topics related to the faster index. A learned index is one such area of study. Learned index approaches can achieve significant performance improvement over traditional indexing techniques. However, query performance with learned indexes is limited by the constraints imposed by the CPU architecture. FPGAs, on the other hand, offer a suitable alternative by offering energy efficiency and potentially better performance. This paper proposes a new methodology that considers the advantages of the learned index and FPGAs. This methodology is called the Selective Mathematical Operation AcceleRaTion (SMART) approach with an FPGA for an end-to-end acceleration of learned indexes. Being a hybrid between a CPU approach and an FPGA approach, the SMART model of index acceleration achieves higher throughput than the CPU-based implementation while maintaining the data structure storage on the CPU. Our SMART approach accelerated the radix spline (RS) learned index using a single FPGA without any off-chip memory resources. The resulting index, called SMART-RS, achieves an overall speedup of 5.5 × as compared to a CPU-based RS index on the SOSD benchmark datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».