論文の概要: SamurAI: A Versatile IoT Node With Event-Driven Wake-Up and Embedded ML Acceleration

• arxiv url: http://arxiv.org/abs/2304.13726v1
• Date: Tue, 11 Apr 2023 08:52:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-30 07:09:48.599277
• Title: SamurAI: A Versatile IoT Node With Event-Driven Wake-Up and Embedded ML Acceleration
• Title（参考訳）: SamurAI: イベント駆動のWake-Upと組込みMLアクセラレーションを備えた多機能IoTノード
• Authors: Ivan Miro-Panades (LSTA), Benoit Tain (LECA), Jean-Frederic Christmann (LFIM), David Coriat (LIIM), Romain Lemaire (LIIM), Clement Jany, Baudouin Martineau (DSYS), Fabrice Chaix (DSYS), Guillaume Waltener (DSYS), Emmanuel Pluchart (LSTA), Jean-Philippe Noel (LFIM), Adam Makosiej, Maxime Montoya, Simone Bacles-Min (LIIM), David Briand (LIAE), Jean-Marc Philippe, Yvain Thonnart (LFIM), Alexandre Valentian (LSTA), Frederic Heitzmann (DSYS), Fabien Clermidy (DSCIN)
• Abstract要約: 本稿では,この処理とエネルギーのギャップを埋める汎用IoTノードであるSamurAIを2つのオンチップサブシステムを活用して提案する。 ARには1.7MOPSイベント駆動の非同期ウェイクアップコントローラ(WuC)があり、スポラディックコンピューティングに最適化された207nsの起動時間がある。 ODはディープスリープRISC-VCPUと1.3TOPS/W機械学習(ML)を組み合わせて36GOPSまでの複雑なタスクを実行する。
• 参考スコア（独自算出の注目度）: 37.89976990030855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increased capabilities such as recognition and self-adaptability are now required from IoT applications. While IoT node power consumption is a major concern for these applications, cloud-based processing is becoming unsustainable due to continuous sensor or image data transmission over the wireless network. Thus optimized ML capabilities and data transfers should be integrated in the IoT node. Moreover, IoT applications are torn between sporadic data-logging and energy-hungry data processing (e.g. image classification). Thus, the versatility of the node is key in addressing this wide diversity of energy and processing needs. This paper presents SamurAI, a versatile IoT node bridging this gap in processing and in energy by leveraging two on-chip sub-systems: a low power, clock-less, event-driven Always-Responsive (AR) part and an energy-efficient On-Demand (OD) part. AR contains a 1.7MOPS event-driven, asynchronous Wake-up Controller (WuC) with a 207ns wake-up time optimized for sporadic computing, while OD combines a deep-sleep RISC-V CPU and 1.3TOPS/W Machine Learning (ML) for more complex tasks up to 36GOPS. This architecture partitioning achieves best in class versatility metrics such as peak performance to idle power ratio. On an applicative classification scenario, it demonstrates system power gains, up to 3.5x compared to cloud-based processing, and thus extended battery lifetime.
• Abstract（参考訳）: IoTアプリケーションでは、認識や自己適応性などの機能向上が求められている。 IoTノードの消費電力は、これらのアプリケーションにとって大きな関心事であるが、連続的なセンサや無線ネットワーク上の画像データ転送により、クラウドベースの処理は持続不可能になりつつある。 したがって、最適化されたML機能とデータ転送はIoTノードに統合されるべきである。 さらに、IoTアプリケーションは、散発的なデータロギングとエネルギー消費データ処理(画像分類など)の間で破れています。 したがって、ノードの汎用性は、この幅広いエネルギーと処理ニーズに対処する上で鍵となる。 本稿では,低消費電力,クロックレス,イベント駆動型常時応答(ar)部分と,エネルギー効率のよいオンデマンド(od)部分の2つのオンチップサブシステムを活用して,処理とエネルギーのギャップを埋める汎用iotノードである samuraiを提案する。 arには1.7mopsのイベント駆動、非同期起動コントローラ(wuc)、散発的コンピューティングに最適化された207nsの起動時間、odは36gopsまでの複雑なタスクのために深いsleep risc-v cpuと1.3tops/w機械学習(ml)を組み合わせている。 このアーキテクチャのパーティショニングは、ピーク性能からアイドルパワー比といったクラス多元性メトリクスで最高の結果を得る。 適用可能な分類シナリオでは、クラウドベースの処理と比較して3.5倍のシステムパワー向上を示し、バッテリー寿命を延ばす。

関連論文リスト

• Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
  Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。 我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。 具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
  論文  参考訳（メタデータ） (2024-08-26T14:28:51Z)
• Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
  我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。 JD2Pは2つの主要な技術からなる機能ごとのオフロードである。 MNISTデータセットを用いてJD2Pの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T08:12:47Z)
• Application and Energy-Aware Data Aggregation using Vector Synchronization in Distributed Battery-less IoT Networks [2.94944680995069]
  バッテリーレスIoT(Internet of Things)デバイスは、次世代無線ネットワークにおける持続可能なグリーンイニシアチブの重要な要素である。 電池不要のデバイスは環境から採取した環境エネルギーを使用する。 主な目標は、センサデータを集約し、分散バッテリレスIoTネットワークで持続可能なアプリケーションサポートを提供するメカニズムを提供することである。
  論文  参考訳（メタデータ） (2023-11-02T07:51:23Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Dynamic Distribution of Edge Intelligence at the Node Level for Internet of Things [1.4026258162876617]
  畳み込みニューラルネットワーク(CNN)アーキテクチャの動的展開は、IoTレベルデバイスのみを用いて提案されている。 CNNの分割とパイプライン化により、リソース制約されたデバイス間で計算負荷を水平に分散する。 その結果、CNNを2つと3つのリソース制約されたデバイスに共有するためにスループットを1.55倍から1.75倍に向上できることが示された。
  論文  参考訳（メタデータ） (2021-07-13T03:26:36Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware Multi-Task NLP Inference [82.1584439276834]
  BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。 We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
  論文  参考訳（メタデータ） (2020-11-28T19:21:47Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments using A3C learning and Residual Recurrent Neural Networks [30.61220416710614]
  A-Advantage-Actor-Critic(A3C)学習は、データが少ない動的なシナリオに迅速に適応することが知られ、Residual Recurrent Neural Network(R2N2)はモデルパラメータを迅速に更新する。 我々はR2N2アーキテクチャを用いて、多数のホストパラメータとタスクパラメータを時間パターンとともにキャプチャし、効率的なスケジューリング決定を提供する。 実世界のデータセットで実施された実験では、エネルギー消費、応答時間、ServiceLevelAgreementおよびランニングコストがそれぞれ14.4%、7.74%、31.9%、および4.64%で大幅に改善された。
  論文  参考訳（メタデータ） (2020-09-01T13:36:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。