本文介绍了一种名为 U-TOE 的通用工具包，它结合了低功耗嵌入式操作系统、通用模型转换器和编译器、集成性能测量模块以及开放访问的远程 IoT 测试平台的功能，旨在为 AIoT 设计师和研究人员提供便利，加速边缘计算的发展。

Jun, 2023

在本文中，我们提出了一种能够平衡应用目标与能耗的采用能量感知方法的自适应 AI 应用程序的设计和部署方法，通过元启发式搜索过程确定可用于自适应系统的配置集合，并使用加权灰色关联分析将最终的配置映射到自适应应用程序的操作模式，验证结果表明，我们的自适应应用程序在节省高达 81% 的能源的同时，仅在准确率上损失了 2% 至 6%。

Aug, 2023

研究了一种在低功耗下运行的数字信号处理器，用于人工智能物联网系统中的深度神经网络推断和浮点运算，结合硬件加速达到高效率运行。

May, 2023

人工智能物联网（AIoT，AI+IoT）领域是由智能基础设施的广泛使用和深度学习（DL）的显著成功推动的。本研究通过优化资源友好型的深度学习模型以及模型自适应系统调度，来改善 DL 模型的准确性和响应性，推动由单独级别设置的性能边界。此外，针对 AIoT 环境的动态特性，本文还探索了适用于不同级别的上下文感知控制器，实现自动跨级别适应，并提出了资源高效的 AIoT 系统的一些潜在方向。

Sep, 2023

本篇论文主张采用通信启发式方法来设计机器学习系统，分别采用确定性和随机性版本。采用此方法可以充分利用机器学习算法和应用，以解决其在能量受限制平台上部署时面临的挑战。

Oct, 2016

在边缘人工智能应用中，使用脉冲神经网络（SNNs）进行设备上的在线学习和自适应，以实现对不断变化的环境中产生的传感器数据的快速处理。我们提出了一种脉冲神经网络的脑启发式处理器 EON-1，用于在近传感器极端边缘在线特征提取，该处理器集成了快速的在线学习和自适应算法。我们报告了仅 1% 的学习能耗开销，远低于其他 SoTA 解决方案，同时达到相当的推理准确度。此外，我们证明了 EON-1 可以在实时处理高清和超高清流媒体视频时实现低延迟，同时进行学习。

Jun, 2024

提出了一种新的传感模块，通过在传感器附近集成高效的机器学习模型，为传感框架提供智能数据传输能力，以解决当前传感系统中缺乏定向智能的问题，并通过调节数据传输频率，仅传输有价值的数据并丢弃无关信息。该模型经过量化和优化，用于实时传感器控制，结合定制化的训练过程和利用时间信息的 “懒惰” 传感器停用策略来增强框架性能，通过软件和硬件组件实现。实验证明，利用该模块的框架在能源消耗和存储方面实现了超过 85％的系统效率，并对性能几乎没有影响。该方法有潜力显著减少传感器的数据输出，从而惠及各种物联网应用。

Feb, 2024

基于环境能量采集的无电池物联网设备在下一代无线网络的可持续绿色计划中至关重要，我们提出了一种基于应用感知的任务和能量管理器（ATEM）以及基于向量同步的数据聚合器（VSDA），此方案满足异构应用需求且降低数据损失、数据延迟，提高硬件组件可用性，并与先进技术相比更快地使组件可用。

Nov, 2023

本文综述了面向普适 AI 系统中资源调度的挑战，重点概述了分布式推断、训练和在线学习任务中的通信高效技术。

May, 2021

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