硅芯片中的能效机器学习:一种启发自通信的方法
机器学习方法在通信问题中被越来越广泛地采用,尤其是在下一代无线设置中。通过使用贝叶斯参数调整和时空高斯过程代理建模,我们能够降低现有硬件的能耗并改善网络性能,同时减少下一代混合波束赋形系统的开销,从而大大提高网络的能效和针对高移动用户的目标能力。贝叶斯范式本身对于能源使用也是有帮助的,因为训练一个贝叶斯优化模型所需的计算要比训练深度神经网络要少得多。
Sep, 2023
最新的卫星通信 (SatCom) 任务以完全可重构的机载软件定义载荷为特征,能够根据系统流量的时空变化适应无线电资源。我们研究了在机载无线电资源管理中应用节能的脑启发式机器学习模型。除了软件模拟外,我们还使用最新发布的 Intel Loihi 2 芯片进行了大量的实验结果。通过在 Xilinx Versal VCK5000 上实现传统的卷积神经网络 (CNN),我们对不同流量需求的准确性、精确度、召回率和能源效率进行了详细比较,最显著的是,对于相关的工作负载,Loihi 2 上实现的脉冲神经网络 (SNNs) 在提高准确性的同时,将功耗降低了 100 倍以上,与基于 CNN 的参考平台相比。我们的发现指出了神经形态计算和 SNN 在支持机载 SatCom 操作方面的重要潜力,为未来 SatCom 系统的提高效率和可持续性铺平了道路。
Aug, 2023
本文研究了联邦边缘学习系统,旨在通过协调边缘设备共同训练机器学习模型,以提高系统能效。同时,利用联合通信和计算设计优化边缘设备传输协议,通过最小化边缘设备上传机器学习模型参数时的总能耗,提高系统能效。作者提出了一种有效的算法来优化能量下降问题。数值结果显示,相对于其他基准方案,作者提出的联合通信和计算设计可以显著提高联邦边缘学习系统的能效。
Feb, 2020
现代机器学习应用越来越复杂,单芯片加速器架构无法满足其能效和吞吐量要求。本文介绍了如何利用光通信和计算在 2.5D 平台上实现能效高、吞吐量大的 2.5D 机器学习加速器架构。
Mar, 2024
本文讨论了智能无线通信、认知无线电、机器学习技术的发展,以及它们在提高动态无线环境下的频谱和能量效率方面的作用和现实应用,并且指出了认知无线电和机器学习在现有和未来无线通信系统中面临的进一步研究挑战。
Oct, 2017
本文回顾了机器学习在物理层无线通信系统中的应用及其带来的一些挑战,并着重介绍了机器学习在无线通信领域中的一些前沿技术及其在未来的研究方向,同时强调了基于物理层设计的分布式机器学习的可行性和需求。
Apr, 2019
该论文提出了一种新的软件系统 SONIC,该系统支持 DNN 推理,并引入一种名为 loop continuation 的技术,大幅减少了能量收集系统上正确执行 DNN 推理的成本。实验结果表明,SONIC 和 TAILS 可以实现更高的能量效率,分别将推理能量减少了 6.9 倍和 12.2 倍。
Sep, 2018