节能人工智能硬件颠覆性创新的挑战。
在使用神经网络(NNs)进行分类任务的嵌入式应用程序中，重要的不仅是最小化神经网络计算的功耗，而且是最小化整个系统的功耗。针对个别部分的优化方法，如神经网络的量化或算术运算的模拟计算。然而，对于一个完整的嵌入式系统设计来说，没有一种整体的方法，它在设计过程中足够通用，可以用于不同的应用程序，但在硬件实现中又具体到不为给定的应用程序浪费精力。因此，我们提出了一种新颖的框架，允许使用神经网络的低功耗硬件的端到端ASIC实现时间序列分类。这包括一个神经结构搜索(NAS)，它同时优化了神经网络配置的准确性和能源效率。这种优化的目标是自定义设计的硬件架构，该架构源自时间序列分类任务的关键属性。此外，使用硬件生成工具根据NN的定义创建一个完整的系统。该系统采用本地多级RRAM存储器作为权重和偏置存储器，避免外部存储器访问。利用这些设备的非易失性，这样的系统可以在数据采集过程中使用断电模式来节省大量能源。检测心房颤动(AFib)在心电图(ECG)数据被用作评估框架的一个例子。 It is shown that a reduction of more than 95% of the energy consumption compared to state-of-the-art solutions is achieved.
点击在这里获取更多信息。
|
|
|
|
|
|
|
|
|
|
留下回复