Jun, 2024

可靠的边缘机器学习硬件用于科学应用

PDF
TL;DR在极端实验环境下，通过开发和验证可靠的算法，解决了 ML 边缘处理中的验证挑战，包括在实验软件框架中实现比特精确的性能验证，验证在极端量化和修剪下的 ML 模型的稳健性，以及实现高精度的模型检查以实现高效容错。该研究探讨了开发强健算法的方法，提出了初步结果和缓解策略，并展望未来研究的方向，致力于实现加速科学发现的自主科学实验方法的长远目标。
发现论文，激发创造
  • 边缘智能无线网络

    本文探讨了边缘机器学习的关键构建块，神经网络架构的不同分裂及其内在的权衡，以及来自广泛数学学科的理论和技术促进因素，最终呈现了几个关于各种高风险应用的案例研究，展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。

    Dec, 2018

  • 网络边缘的机器学习调查

    本文综述了在边缘计算设备上部署机器学习系统的主要研究工作，重点关注了智能边缘系统成功应用中使用的压缩技术、工具、框架和硬件等方面的运营问题。

    Jul, 2019

  • 利用边缘计算硬件控制混沌

    使用机器学习创建数字孪生提供了一种数据驱动的方法，可预测系统行为，而通过采用下一代储层计算的非线性控制器，此模型能够解决控制混沌系统到任意时变状态的难题，并能在嵌入式设备上进行评估，为向计算边缘部署高效的机器学习算法迈出了第一步。

    May, 2024

  • 基于成本的机器学习流水线硬件软件协同优化

    通过量化、成本限制平台等因素综合考虑，探讨如何在边缘平台上最优化地设计系统和部署模型，以实现广泛适用的智能设备。

    Oct, 2023

  • 通过选择性边缘执行改善物联网分析

    本研究旨在提高 IoT 设备分析数据的性能，通过使用边缘计算服务器来增强分析，具体使用算法进行优化，使得可以智能地利用云端服务满足需求

    Mar, 2020

  • 机器学习的硬件：挑战与机遇

    本文讨论了如何在各种硬件设计级别上解决机器学习中遇到的挑战，主要包括机器学习、传感器数据、嵌入式处理、能源消耗和硬件设计。

    Dec, 2016

  • 神经形态硬件上机器学习工作量的高效部署

    本文提供了一种将预先训练的深度神经网络 (DNNs) 转换成脉冲神经网络 (SNNs) 的通用指南，并介绍了一些在神经形态硬件上部署转换后的 SNNs 的技术，可显著改进其延迟，功耗和能耗。实验结果表明，与 Intel Neural Compute Stick 2 相比，使用我们的 SNN 改进技术， Intel 的神经形态处理器 Loihi 在测试的图像分类任务中功耗降低了最多 27 倍，能耗降低了最多 5 倍。

    Oct, 2022

  • 在 FPGAs 中部署 AI 推理引擎的框架实现

    本文介绍了用于解决 SLAC 数据实验的高速探测器的存储问题的解决方案 —— 用机器学习技术在边缘计算设备上实现实时数据处理的 SLAC 神经网络库框架，该框架采用基于 FPGA 的加速器来实现 ML 解决方案，并且支持所有权重的 RTL 重训练和恢复。

    May, 2023

  • 值得信赖的边缘机器学习：一项调查

    边缘机器学习与可信边缘机器学习（EML）的融合是一个备受关注的研究领域，通过利用分布式网络资源以合作方式进行联合训练和推理。然而，EML 面临着多种挑战，包括资源限制、异构网络环境和不同应用的多样化服务要求，这些都影响了 EML 在利益相关者眼中的可信度。本调研综述对可信 EML 的定义、属性、框架、技术和解决方案进行了综合总结。特别是，我们首先强调了在第六代（6G）网络背景下可信 EML 的重要性。然后，我们从部署和实际应用场景的角度讨论了可信度的必要性。接下来，我们给出了对可信 EML 的初步定义，并探讨了它的关键属性。随后，我们介绍了可信 EML 系统的基本框架和支持技术，并对增强 EML 可信度的最新解决方案进行了深入文献综述。最后，我们讨论了相关的研究挑战和未解决问题。

    Oct, 2023

  • 边缘设备上实现深度学习

    本论文探讨了 DNN 在资源受限的边缘设备上部署的优化问题，并研究了四种边缘智能场景下的深度学习方法，通过减少 DNN 冗余度来达到资源消耗与模型准确度之间的平衡。

    Oct, 2022