Aug, 2023

边缘自适应基于人工智能应用程序的能源感知设计方法

PDF
TL;DR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%。
edge devicesmachine learningai-based applicationsenergy-aware approachself-adaptive application
发现论文，激发创造
  • 边缘近似人工智能对于能源效率自主驾驶服务的调查

    自动驾驶需依赖多种传感器和高性能计算单元搭载的 AI 模型，但面临着巨大数据负担和能耗问题，本文回顾了连接车辆应用、车辆通信、Edge AI 技术的最新进展并重点关注能源效率，探讨了提高能源效率的方法，为低功耗、内存受限制的系统和自主车辆的能量优化提供了启示。

    Apr, 2023

  • 绿色边缘人工智能：当代综述

    人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。

    Dec, 2023

  • 基于能源感知的早期退出实现可持续的边缘智能

    提出了一种基于动态早停止和能量感知策略的边缘智能系统，用于解决深度学习模型在能源受限设备上的能耗问题，实现高效、精准的推理，与传统的能量不感知策略相比，精度和服务率分别提高了至多 25% 和 35%。

    May, 2023

  • 基于缺失值鲁棒的元启发式神经网络在移动应用开发中的能耗预测

    本研究提出了一个新颖的基于神经网络和元启发式算法的框架，以达到在移动应用开发领域中强大的能量预测的目标。通过综合实验，证明了我们的方法在能量消耗预测方面取得了显著成果。

    Sep, 2023

  • EPAM：移动 AI 的预测能耗模型

    本研究介绍了针对不同 DNN 模型和处理源的移动 AI 应用的全面研究，重点关注计算资源利用率、延迟和能量消耗。通过广泛的实验，我们测量了所有模型的延迟、能量消耗和内存使用情况，并提出了一种基于 DNN 结构、计算资源和处理器的高斯过程回归预测能量模型。此研究为 AI 研究社区提供了关键事实和能量预测机制，以帮助移动 AI 应用程序实现能源效率。

    Mar, 2023

  • 智能物联网环境中的学习、计算与可信度：性能 - 能耗平衡

    该论文提供了智能物联网环境（iIoTe）的能效技术和性能的最新综述，并着重研究了资源、延迟、隐私和能源消耗之间的权衡，并提供了将这些技术集成到能效 iIoTe 中的愿景和解决开放性研究挑战的路线图。

    Oct, 2021

  • 绿色移动计算中人工智能的二重性：文献综述

    人工智能在移动设备领域带来了越来越多的新功能，但其操作也消耗了大量能源。本文回顾了过去十年在绿色移动计算领域中使用人工智能的文献，并总结了 13 个主要课题。研究结果表明，该领域近年来有所增长，但对于基于人工智能的移动系统能源消耗的研究相对较少，需要进一步探索。同时，研究还发现绝大多数文献只是学术贡献，需要促进移动软件行业的参与。

    Jul, 2023

  • 元启发式机器学习方法用于移动应用开发能源预测

    本文提出了基于直方图梯度强化分类机和元启发式方法的手机应用程序能耗预测方法，该方法在搜索最佳搜索算法时使用成功历史参数适应技术，可以显著降低能耗，并提供精确的能耗预测。

    Jun, 2023

  • 移动健康自持穿戴设备的自适应能源管理

    本文研究了可穿戴设备可持续运营的问题，提出了一种自适应能源管理算法 AdaEM，使用机器学习方法学习用户活动和能源使用模型，并用动态鲁棒优化 (DyRO) 来优化能源管理决策，实验数据表明 AdaEM 能够达到接近最优解的效果。

    Jan, 2022

  • 从云到边缘：重新思考针对低资源设计挑战的生成式人工智能

    生成人工智能在设计领域展示了巨大的潜力，但由于资源需求大，通常在大型计算基础设施上进行训练并作为云服务提供。在这篇立场论文中，我们考虑了在资源受限环境中进行生成人工智能设计的潜力、挑战和有希望的方法。这需要在模型压缩、高效算法设计和可能利用边缘计算方面创新，以使生成人工智能在低资源环境中高效运行。这些努力可以使先进技术普及，并促进可持续发展，确保普遍可及性和对人工智能驱动设计效益的环境考虑。

    Feb, 2024