論文の概要: NAS-Driven Hardware Accelerator Exploration for Edge AI and Quantization Effects on the Pareto Space

• arxiv url: http://arxiv.org/abs/2608.13293v1
• Date: Thu, 13 Aug 2026 14:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.556709
• Title: NAS-Driven Hardware Accelerator Exploration for Edge AI and Quantization Effects on the Pareto Space
• Title（参考訳）: エッジAIのためのNAS駆動ハードウェア加速器探索とパレート空間における量子化効果
• Authors: Eleftherios Mylonas, Angelos Kouprizas, Michael Birbas, Alexios Birbas,
• Abstract要約: Edge AIデプロイメントは、正確で、計算効率が良く、ハードウェアでデプロイ可能なニューラルネットワークを必要とする。 NASはハードウェア対応ニューラルアーキテクチャサーチ(NAS)の課題である 最近の研究はNASループに直接量子化を組み込んでいるが、これらのアプローチは探索複雑性を拡大し、アーキテクチャと量子化設計を密に結合する。 再構成可能なアクセラレーターへの量子化アーキテクチャマッピングと自動ハードウェア探索を組み合わせたフレームワークは存在しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge AI deployment demands neural architectures that are simultaneously accurate, computationally efficient, and hardware-deployable - a challenge addressed by hardware-aware Neural Architecture Search (NAS). While recent works incorporate quantization directly into the NAS loop, these approaches expand search complexity and tightly couple architecture and quantization design. The simpler post-search quantization strategy has received little analytical attention: the effects of Post-Training Quantization (PTQ) on the NAS-discovered Pareto structure remain uncharacterised, and no framework combines quantized architecture mapping onto reconfigurable accelerators with automated hardware exploration. This paper addresses both gaps. First, a three-stage pipeline is proposed: a hardware-agnostic Pareto rank surrogate frontend on NAS-Bench-201, a quantization bridge with Pareto-aware filtering and feedback control, and an evolutionary Domain Space Exploration (DSE) backend on CGRA4ML for optimal hardware mapping. Second, an empirical study characterises how INT4 PTQ perturbs the NAS-Bench-201 Pareto space through formal stability metrics on ground-truth data for all 15,625 architectures, and demonstrates that an FP32 zero-shot surrogate outperforms a dedicated INT4-trained surrogate in Pareto space coverage across two standard search strategies.
• Abstract（参考訳）: Edge AIデプロイメントは、ハードウェア対応のNeural Architecture Search(NAS)が対処する課題である、正確で、計算効率が良く、ハードウェアデプロイ可能なニューラルアーキテクチャを必要とする。 最近の研究は量子化を直接NASループに組み込んでいるが、これらのアプローチは探索複雑性を拡張し、アーキテクチャと量子化設計を密に結合する。 NASが発見したPareto構造に対するPTQ(Post-Training Quantization)の効果は、まだ不特であり、再構成可能なアクセラレータへの量子化アーキテクチャマッピングと自動ハードウェア探索を組み合わせたフレームワークはない。 この論文は両方のギャップに対処する。 まず,NAS-Bench-201上でのハードウェア非依存のParetoランクサロゲートフロントエンド,Pareto対応フィルタリングとフィードバック制御を備えた量子化ブリッジ,CGRA4ML上での進化的ドメイン空間探索(DSE)バックエンド,という3段階のパイプラインを提案する。 第2に、INT4 PTQがNAS-Bench-201 Pareto空間を、すべての15,625のアーキテクチャの地上構造データ上の形式的安定性の指標によってどのように摂動するかを実証し、FP32ゼロショットサロゲートがパレート空間の2つの標準探索戦略を越えて、専用のINT4訓練サロゲートよりも優れていることを示した。

関連論文リスト

• Surrogate Neural Architecture Codesign Package (SNAC-Pack) [0.4739011865318863]
  Surrogate Neural Architecture Codesign Package (SNAC-Pack) ハードウェア対応のニューラルアーキテクチャコードサインとエンドツーエンドFPGAデプロイメントのためのオープンソースのAutoMLフレームワーク。 大型ハドロン衝突型加速器のジェット分類と超伝導量子ビットリードアウトにおけるSNAC-Packの実証を行った。
  論文  参考訳（メタデータ） (2026-05-15T16:18:43Z)
• DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
  蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。 提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。 当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
  論文  参考訳（メタデータ） (2024-03-02T22:16:47Z)
• Multi-objective Differentiable Neural Architecture Search [58.67218773054753]
  我々は,ユーザの好みをトレードオフ性能やハードウェアメトリクスにエンコードするNASアルゴリズムを提案する。 提案手法は,既存のMOO NAS手法を,定性的に異なる検索空間やデータセットの広い範囲で性能良くする。
  論文  参考訳（メタデータ） (2024-02-28T10:09:04Z)
• Search-time Efficient Device Constraints-Aware Neural Architecture Search [6.527454079441765]
  コンピュータビジョンや自然言語処理といったディープラーニング技術は、計算コストが高く、メモリ集約的です。 ニューラルアーキテクチャサーチ(NAS)によるデバイス制約に最適化されたタスク固有のディープラーニングアーキテクチャの構築を自動化する。 本稿では,エッジデバイス制約を組み込んだ高速ニューラルネットワークアーキテクチャ探索の原理的手法であるDCA-NASを提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:52:28Z)
• Lightweight Neural Architecture Search for Temporal Convolutional Networks at the Edge [21.72253397805102]
  この研究は特に、時系列処理のための畳み込みモデルであるTCN(Temporal Convolutional Networks)に焦点を当てている。 我々は,TNの最も特異なアーキテクチャパラメータの最適化を明示的に目標とする最初のNASツールを提案する。 提案したNASは,音声および生体信号を含む4つの実世界のエッジ関連タスクでテストする。
  論文  参考訳（メタデータ） (2023-01-24T19:47:40Z)
• BaLeNAS: Differentiable Architecture Search via the Bayesian Learning Rule [95.56873042777316]
  近年,微分可能なアーキテクチャ探索 (DARTS) が注目されている。 本稿では,アーキテクチャ重みをガウス分布に緩和することにより,ニューラルネットワーク探索を分布学習問題として定式化する。 ベイズ主義の原理から異なるNASがいかに恩恵を受け、探索を強化し、安定性を向上するかを実証する。
  論文  参考訳（メタデータ） (2021-11-25T18:13:42Z)
• Generalized Latency Performance Estimation for Once-For-All Neural Architecture Search [0.0]
  特定のハードウェアとNAS検索空間で訓練されたベースモデルを用いた微調整を含む2つの汎用性戦略を紹介します。 ProxylessNASに比べて50%以上低いRMSE損失を達成できる待ち時間予測モデル群を提供する。
  論文  参考訳（メタデータ） (2021-01-04T00:48:09Z)
• NAS-Count: Counting-by-Density with Neural Architecture Search [74.92941571724525]
  ニューラルアーキテクチャサーチ(NAS)を用いたカウントモデルの設計を自動化する エンド・ツー・エンドの検索エンコーダ・デコーダアーキテクチャであるAutomatic Multi-Scale Network(AMSNet)を導入する。
  論文  参考訳（メタデータ） (2020-02-29T09:18:17Z)

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。