論文の概要: Bespoke Co-processor for Energy-Efficient Health Monitoring on RISC-V-based Flexible Wearables

• arxiv url: http://arxiv.org/abs/2511.05985v1
• Date: Sat, 08 Nov 2025 12:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.696631
• Title: Bespoke Co-processor for Energy-Efficient Health Monitoring on RISC-V-based Flexible Wearables
• Title（参考訳）: RISC-V系フレキシブルウェアラブルにおけるエネルギー効率の高い健康モニタリングのためのBespokeコプロセッサ
• Authors: Theofanis Vergos, Polykarpos Vergos, Mehdi B. Tahoori, Georgios Zervakis,
• Abstract要約: 本稿では,エネルギー効率を最大化し,遅延を最小化するために,ベスポーク乗算累積コプロセッサと固定係数を統合した機械的フレキシブルRISC-Vを提案する。 結果は、既存のフレキシブルバッテリーの電力予算内にサーキットを運用することで、いくつかの医療データセットでほぼリアルタイムのパフォーマンスを実証する。
• 参考スコア（独自算出の注目度）: 2.569738171261988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flexible electronics offer unique advantages for conformable, lightweight, and disposable healthcare wearables. However, their limited gate count, large feature sizes, and high static power consumption make on-body machine learning classification highly challenging. While existing bendable RISC-V systems provide compact solutions, they lack the energy efficiency required. We present a mechanically flexible RISC-V that integrates a bespoke multiply-accumulate co-processor with fixed coefficients to maximize energy efficiency and minimize latency. Our approach formulates a constrained programming problem to jointly determine co-processor constants and optimally map Multi-Layer Perceptron (MLP) inference operations, enabling compact, model-specific hardware by leveraging the low fabrication and non-recurring engineering costs of flexible technologies. Post-layout results demonstrate near-real-time performance across several healthcare datasets, with our circuits operating within the power budget of existing flexible batteries and occupying only 2.42 mm^2, offering a promising path toward accessible, sustainable, and conformable healthcare wearables. Our microprocessors achieve an average 2.35x speedup and 2.15x lower energy consumption compared to the state of the art.
• Abstract（参考訳）: フレキシブルエレクトロニクスは、適合性、軽量、使い捨ての医療ウェアラブルにユニークな利点を提供する。 しかし、その制限されたゲート数、大きな特徴量、高い静的電力消費は、車載機械学習の分類を非常に困難にしている。 既存の折り曲げ可能なRISC-Vシステムはコンパクトなソリューションを提供するが、エネルギー効率は欠如している。 本稿では,エネルギー効率を最大化し,遅延を最小化するために,ベスポーク乗算累積コプロセッサと固定係数を統合した機械的フレキシブルRISC-Vを提案する。 提案手法は,コプロセッサ定数を協調的に決定し,多層パーセプトロン(MLP)推論演算を最適にマッピングする制約付きプログラミング問題を定式化する。 レイアウト後の結果は、既存のフレキシブルバッテリーの電力予算内で動作し、わずか2.42 mm^2しか占有せず、アクセス可能で持続可能で適合可能な医療ウェアラブルへの有望な道を提供する、いくつかの医療データセットにおけるほぼリアルタイムのパフォーマンスを示す。 我々のマイクロプロセッサは、最先端と比較して平均2.35倍のスピードアップと2.15倍のエネルギー消費を達成する。

関連論文リスト

• Exploration of Low-Power Flexible Stress Monitoring Classifiers for Conformal Wearables [3.195176634942016]
  最先端のアプローチでは、軽量でフレキシブルな摩耗に最適化されていない、堅いシリコンベースのウェアラブルを使用している。 FEは、フレキシブルで製造コストの低い、リアルタイムなストレス監視回路を提供する。 この研究は、低消費電力でフレキシブルな応力分類器の包括的設計空間探索を初めて行った。
  論文  参考訳（メタデータ） (2025-08-27T08:19:52Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Late Breaking Results: Energy-Efficient Printed Machine Learning Classifiers with Sequential SVMs [0.6670927729669428]
  本研究では,既存の電池の電力制約に適合するSVM回路を設計する。 その結果,6.5倍の省エネ効果が得られた。
  論文  参考訳（メタデータ） (2025-01-28T10:11:00Z)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• Bespoke Approximation of Multiplication-Accumulation and Activation Targeting Printed Multilayer Perceptrons [0.8274768545559366]
  Printed Electronics (PE) は、非再帰エンジニアリングコスト、超低製造コスト、オンデマンド製造など、非並列的な機能を提供している。 PEは、その大きな特徴サイズのためにある種の制限に直面しており、複雑な回路の実現を妨げる。 超低消費電力多層パーセプトロン(MLP)分類器を設計するための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-29T14:16:11Z)
• Edge-MoE: Memory-Efficient Multi-Task Vision Transformer Architecture with Task-level Sparsity via Mixture-of-Experts [60.1586169973792]
  M$3$ViTは、Mix-of-experts (MoE)を導入した最新のマルチタスクViTモデルである。 MoEは精度の向上と80%以上の削減計算を実現しているが、FPGAに効率的なデプロイを行う上での課題は残されている。 Edge-MoEと呼ばれる私たちの研究は、アーキテクチャの革新の集合を伴って、マルチタスクのViTのための最初のエンドツーエンドFPGAアクセラレータを導入するという課題を解決します。
  論文  参考訳（メタデータ） (2023-05-30T02:24:03Z)
• Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
  我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
  論文  参考訳（メタデータ） (2021-11-12T22:08:10Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。