論文の概要: AI-ANNE: (A) (N)eural (N)et for (E)xploration: Transferring Deep Learning Models onto Microcontrollers and Embedded Systems

• arxiv url: http://arxiv.org/abs/2501.03256v1
• Date: Wed, 01 Jan 2025 10:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:50:30.393991
• Title: AI-ANNE: (A) (N)eural (N)et for (E)xploration: Transferring Deep Learning Models onto Microcontrollers and Embedded Systems
• Title（参考訳）: AI-ANNE: (A) (N)et for (E)xploration: Deep Learning Models to Microcontrollers and Embedded Systems
• Authors: Dennis Klinkhammer,
• Abstract要約: 本稿では、Raspberry Pi Pico / Raspberry Pi Pico 2.0のようなリソース制約のある組み込みシステムへのニューラルネットワークの統合について検討する。 TinyMLは、これらのマイクロコントローラ上でニューラルネットワークを直接転送し、リアルタイム、低レイテンシ、エネルギー効率の推論を可能にする。 マイクロコントローラ上の2つの異なるニューラルネットワークは、データ分類の例を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This working paper explores the integration of neural networks onto resource-constrained embedded systems like a Raspberry Pi Pico / Raspberry Pi Pico 2. A TinyML aproach transfers neural networks directly on these microcontrollers, enabling real-time, low-latency, and energy-efficient inference while maintaining data privacy. Therefore, AI-ANNE: (A) (N)eural (N)et for (E)xploration will be presented, which facilitates the transfer of pre-trained models from high-performance platforms like TensorFlow and Keras onto microcontrollers, using a lightweight programming language like MicroPython. This approach demonstrates how neural network architectures, such as neurons, layers, density and activation functions can be implemented in MicroPython in order to deal with the computational limitations of embedded systems. Based on the Raspberry Pi Pico / Raspberry Pi Pico 2, two different neural networks on microcontrollers are presented for an example of data classification. As an further application example, such a microcontroller can be used for condition monitoring, where immediate corrective measures are triggered on the basis of sensor data. Overall, this working paper presents a very easy-to-implement way of using neural networks on energy-efficient devices such as microcontrollers. This makes AI-ANNE: (A) (N)eural (N)et for (E)xploration not only suited for practical use, but also as an educational tool with clear insights into how neural networks operate.
• Abstract（参考訳）: 本稿では、Raspberry Pi Pico / Raspberry Pi Pico 2.0のようなリソース制約のある組み込みシステムへのニューラルネットワークの統合について検討する。 TinyMLは、これらのマイクロコントローラ上でニューラルネットワークを直接転送し、データのプライバシを維持しながら、リアルタイム、低レイテンシ、エネルギー効率の推論を可能にする。 そのため、(E)xplorationのためのAI-ANNE: (A) (N)eural (N)etが提示され、MicroPythonのような軽量プログラミング言語を使用して、TensorFlowやKerasのような高性能プラットフォームからマイクロコントローラへの事前トレーニングされたモデルの転送が容易になる。 このアプローチは、組み込みシステムの計算制限に対処するために、ニューロン、層、密度、アクティベーション関数などのニューラルネットワークアーキテクチャをMicroPythonでどのように実装できるかを示す。 Raspberry Pi Pico / Raspberry Pi Pico 2に基づいて、データ分類の例として、マイクロコントローラ上の2つの異なるニューラルネットワークが紹介されている。 さらに応用例として、センサデータに基づいて即時補正措置をトリガーする条件監視に、そのようなマイクロコントローラを用いることができる。 全体として、このワーキングペーパーは、マイクロコントローラのようなエネルギー効率の良いデバイス上でニューラルネットワークを使用する、非常に簡単に実装できる方法を示している。 これにより、AI-ANNE: (A) (N)eural (N)etは、(E)xplorationに適合するだけでなく、ニューラルネットワークの動作に関する明確な洞察を持つ教育ツールとしても機能する。

関連論文リスト

• Energy-Aware FPGA Implementation of Spiking Neural Network with LIF Neurons [0.5243460995467893]
  スパイキングニューラルネットワーク(SNN)は、TinyMLの最先端ソリューションとして際立っている。 本稿では,第1次Leaky Integrate-and-Fire(LIF)ニューロンモデルに基づく新しいSNNアーキテクチャを提案する。 ハードウェアフレンドリーなLIF設計も提案され、Xilinx Artix-7 FPGA上で実装されている。
  論文  参考訳（メタデータ） (2024-11-03T16:42:10Z)
• Adaptive Robotic Arm Control with a Spiking Recurrent Neural Network on a Digital Accelerator [41.60361484397962]
  本稿では,システムの概要と,Pynq ZUプラットフォーム上で使用するPythonフレームワークについて述べる。 シミュレーションされた精度は,毎秒380万イベントのピーク性能で維持されていることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:59:39Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Quantization and Deployment of Deep Neural Networks on Microcontrollers [0.0]
  この研究は、低消費電力32ビットマイクロコントローラへのディープニューラルネットワークの量子化と展開に焦点を当てている。 エンドツーエンドのディープニューラルネットワークトレーニング、量子化、デプロイメントのための新しいフレームワークが紹介されている。 単一精度32ビット浮動小数点と8ビットおよび16ビット整数上の固定点を用いた実行がサポートされている。
  論文  参考訳（メタデータ） (2021-05-27T17:39:06Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• Real-time Neural Networks Implementation Proposal for Microcontrollers [0.0]
  本稿では,マルチレイヤ・パーセプトロン(MLP)型ニューラルネットワークの実装戦略を低コストで低消費電力なプラットフォームで示すことを目的とする。 完全な分類プロセスを備えたモジュール型マトリックスベースのマイクロコントローラが実装され、マイクロコントローラのバックプロパゲーショントレーニングも行われた。 テストと検証は、トレーニングプロセスの平均正方形誤差(MSE)のハードウェア・イン・ザ・ループ(HIL)、分類結果、各実装モジュールの処理時間を通じて行われた。
  論文  参考訳（メタデータ） (2020-06-08T03:51:14Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Exposing Hardware Building Blocks to Machine Learning Frameworks [4.56877715768796]
  我々は、そのようなニューロンをユニークな関数として補完するトポロジーを設計する方法に焦点をあてる。 我々は、カスタムの空間性と量子化によるニューラルネットワークのトレーニングを支援するライブラリを開発する。
  論文  参考訳（メタデータ） (2020-04-10T14:26:00Z)

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。