論文の概要: A Hybrid Edge Classifier: Combining TinyML-Optimised CNN with RRAM-CMOS ACAM for Energy-Efficient Inference

• arxiv url: http://arxiv.org/abs/2502.10089v1
• Date: Fri, 14 Feb 2025 11:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:46:57.317737
• Title: A Hybrid Edge Classifier: Combining TinyML-Optimised CNN with RRAM-CMOS ACAM for Energy-Efficient Inference
• Title（参考訳）: TinyML最適化CNNとRRAM-CMOS ACAMを組み合わせたハイブリッドエッジ分類器
• Authors: Kieran Woodward, Eiman Kanjo, Georgios Papandroulidakis, Shady Agwa, Themis Prodromakis,
• Abstract要約: 近接センサ機械学習(ML)アプローチは、正確でエネルギー効率のよいテンプレートマッチング処理を導入するために実装されている。 極端端ケースで実現可能な新しいソリューションを導入するために,従来の技術と新興技術を組み合わせたハイブリッドソリューションが提案され始めている。 エッジアプリケーションに最適化されたディープニューラルネットワーク(DNN)は、エッジMLソリューションの実装において強力な候補になる可能性がある。
• 参考スコア（独自算出の注目度）: 0.7916635054977067
• License:
• Abstract: In recent years, the development of smart edge computing systems to process information locally is on the rise. Many near-sensor machine learning (ML) approaches have been implemented to introduce accurate and energy efficient template matching operations in resource-constrained edge sensing systems, such as wearables. To introduce novel solutions that can be viable for extreme edge cases, hybrid solutions combining conventional and emerging technologies have started to be proposed. Deep Neural Networks (DNN) optimised for edge application alongside new approaches of computing (both device and architecture -wise) could be a strong candidate in implementing edge ML solutions that aim at competitive accuracy classification while using a fraction of the power of conventional ML solutions. In this work, we are proposing a hybrid software-hardware edge classifier aimed at the extreme edge near-sensor systems. The classifier consists of two parts: (i) an optimised digital tinyML network, working as a front-end feature extractor, and (ii) a back-end RRAM-CMOS analogue content addressable memory (ACAM), working as a final stage template matching system. The combined hybrid system exhibits a competitive trade-off in accuracy versus energy metric with $E_{front-end}$ = $96.23 nJ$ and $E_{back-end}$ = $1.45 nJ$ for each classification operation compared with 78.06$\mu$J for the original teacher model, representing a 792-fold reduction, making it a viable solution for extreme edge applications.
• Abstract（参考訳）: 近年,情報をローカルに処理するスマートエッジコンピューティングシステムの開発が進んでいる。 多くの近センサ機械学習(ML)アプローチが実装され、ウェアラブルなどのリソース制約付きエッジセンシングシステムにおいて、正確でエネルギー効率のよいテンプレートマッチング処理が導入されている。 極端端ケースで実現可能な新しいソリューションを導入するために,従来の技術と新興技術を組み合わせたハイブリッドソリューションが提案され始めている。 Deep Neural Networks (DNN)は、コンピューティングの新しいアプローチ(デバイスとアーキテクチャの両面で)と共にエッジアプリケーションに最適化され、従来のMLソリューションのパワーの一部を使用しながら、競合する精度の分類を目的としたエッジMLソリューションの実装において、強力な候補となる可能性がある。 本研究では,極端端近傍センサシステムを対象としたハイブリッドソフトウェアハードウェアエッジ分類器を提案する。 分類器は2つの部分から構成される。 (i)フロントエンド機能抽出器として機能する最適化ディジタル小型MLネットワーク (II) 最終段階のテンプレートマッチングシステムとして機能するバックエンドRRAM-CMOSアナログアドレスメモリ(ACAM)。 E_{front-end}$ = 96.23 nJ$ と $E_{back-end}$ = $1.45 nJ$ と、オリジナルの教師モデルの78.06$\mu$J は 792 倍の減少を示し、極端エッジアプリケーションにとって実行可能なソリューションである。

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)
• BEACON: A Bayesian Optimization Strategy for Novelty Search in Expensive Black-Box Systems [1.204357447396532]
  ノベルティ・サーチ (NS) は、シミュレーションや実験を通じて様々なシステムの振る舞いを自動的に発見する探索アルゴリズムのクラスである。 ベイズ最適化の原理にインスパイアされたサンプル効率のNS法を提案する。 BEACONは、限られたサンプリング予算の下で、かなり大きな多様な振る舞いの集合を見出すことで、既存のベースラインを総合的に上回ります。
  論文  参考訳（メタデータ） (2024-06-05T20:23:52Z)
• Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
  一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。 最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。 我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
  論文  参考訳（メタデータ） (2024-04-19T06:24:22Z)
• Combinatorial optimization for low bit-width neural networks [23.466606660363016]
  低ビット幅のニューラルネットワークは、計算資源を減らすためにエッジデバイスに展開するために広く研究されている。 既存のアプローチでは、2段階の列車・圧縮設定における勾配に基づく最適化に焦点が当てられている。 グリーディ座標降下法とこの新しい手法を組み合わせることで、二項分類タスクにおける競合精度が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-04T15:02:36Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Numerical Computation of Partial Differential Equations by Hidden-Layer Concatenated Extreme Learning Machine [0.0]
  極学習機械(ELM)法は線形・非線形偏微分方程式(PDE)に対する高精度な解が得られる ELM法では、ニューラルネットワークの最後の隠蔽層を広くして高い精度を達成する必要がある。 本稿では, HLConcELM (hidden-layerd ELM) と呼ばれる改良型EMM法を提案する。
  論文  参考訳（メタデータ） (2022-04-24T22:39:06Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• A Fast Graph Neural Network-Based Method for Winner Determination in Multi-Unit Combinatorial Auctions [44.14410999484577]
  オークション(Auction, ACA)は、クラウドコンピューティングを含むさまざまな分野におけるリソース割り当ての効率的なメカニズムである。 競売人の収入を最大化するために入札者間でアイテムを割り当てることの問題は、NP完全で解決不可能である。 本稿では、機械学習(ML)技術を活用して、この問題を解決するための新たな低複雑さアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-29T00:22:37Z)

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。