論文の概要: ENAS: An Efficient Hardware-Aware Neural Architecture Search Framework for TinyML on Resource-Constrained Microcontrollers
- arxiv url: http://arxiv.org/abs/2609.30272v1
- Date: Mon, 10 Aug 2026 14:13:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.11335
- Title: ENAS: An Efficient Hardware-Aware Neural Architecture Search Framework for TinyML on Resource-Constrained Microcontrollers
- Title（参考訳）: ENAS:資源制約型マイクロコントローラ上でのTinyMLのための効率的なハードウェア対応ニューラルネットワーク探索フレームワーク
- Abstract要約: ハードウェア対応ニューラルネットワーク(NAS)フレームワークである textbfENAS を,静的実現性チェック,セルベースの検索空間サポート標準,奥行き分離可能,ボトルネックブロックを任意のスキップ接続で組み合わせて提案する。
我々は,20KBから1MBのメモリフットプリントを持つ8個のマイクロコントローラを用いて,2つのTinyML,Visual Wake Words,Melanoma CancerのENASを評価した。
実験の結果,ENASの検索時間は平均で2.41時間,1.70時間でVisual Wake Words と Melanoma Cancer の検索速度が向上していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present \textbf{ENAS}, a hardware-aware Neural Architecture Search (NAS) framework that combines a static feasibility check, a cell-based search space supporting standard, depthwise-separable, and bottleneck blocks with optional skip connections, and a three-stage hybrid search strategy (random $\rightarrow$ top-$K$ $\rightarrow$ mutation) with persistent cross-run caching. Unlike many existing NAS frameworks that rely on GPU acceleration, ENAS is designed to operate efficiently without requiring GPUs, making it suitable for resource-constrained development environments. We evaluate ENAS on two TinyML benchmarks, Visual Wake Words and Melanoma Cancer, across eight microcontrollers with memory footprints ranging from 20\,KB to 1\,MB SRAM and nine input image resolutions. Our experimental results show that ENAS achieves mean search-time speedups of $2.41{\times}$ and $1.70{\times}$ on the Visual Wake Words and Melanoma Cancer datasets, respectively, while maintaining competitive test accuracy compared with the recent NanoNAS framework. A measured resource analysis further shows that ENAS-selected models use substantially lower peak activation RAM, the binding constraint for microcontroller deployment at matched accuracy. Additionally, ENAS achieves $79.4\%$ test accuracy on an STM32H743-based microcontroller, outperforming the greedy CPU-only baseline by $2.6$ percentage points. We release the ENAS framework as open-source at: https://github.com/EdgeIntelligenceLab/ENAS
- Abstract（参考訳）: ハードウェア対応のニューラルネットワーク検索(NAS)フレームワークである‘textbf{ENAS}, 静的実現性チェック, セルベースの検索スペースサポート標準, 奥行き分離可能, ボトルネックブロックをオプションのスキップ接続でサポートし, 3段階のハイブリッド検索戦略(random $\rightarrow$ top-$K$$\rightarrow$ mutation)と, 永続的なクロスランキャッシュを組み合わせた。
GPUアクセラレーションに依存する既存のNASフレームワークとは異なり、ENASはGPUを必要とせずに効率的に動作するように設計されており、リソースに制約のある開発環境に適している。
メモリフットプリントが20\,KBから1\,MB SRAMと9つの入力画像解像度を持つ8個のマイクロコントローラを用いて,2つのTinyMLベンチマークであるVisual Wake WordsとMelanoma CancerでENASを評価した。
実験の結果,ENAS は Visual Wake Words と Melanoma Cancer のデータセットの検索時間平均速度を2.41{\times と $1.70{\times でそれぞれ達成し,最新の NanoNAS フレームワークと比較して比較テスト精度を維持した。
実測資源分析により,ENAS選択モデルでは,マイクロコントローラ配置時の結合制約であるピークアクティベーションRAMがほぼ小さくなっていることがわかった。
さらに、ENASはSTM32H743ベースのマイクロコントローラで79.4\%の精度でテストを行い、CPU専用ベースラインを2.6$ポイントで上回っている。
ENASフレームワークをオープンソースとして公開しています。
関連論文リスト
- SEval-NAS: A Search-Agnostic Evaluation for Neural Architecture Search [20.37165647595783]
アーキテクチャを文字列に変換し,それをベクトルとして埋め込むメトリクス評価機構であるSEval-NASを提案し,性能指標を予測する。
NATS-BenchとHW-NAS-Benchを用いて,精度,レイテンシ,メモリを評価した。
さらに、SEval-NASをFreeREAに統合して、本来含まれていないメトリクスを評価する。
論文 参考訳（メタデータ） (2026-02-17T15:02:02Z) - TinyTNAS: GPU-Free, Time-Bound, Hardware-Aware Neural Architecture Search for TinyML Time Series Classification [6.9604565273682955]
TinyTNASは,TinyML時系列分類に特化して設計された,ハードウェア対応の多目的ニューラルアーキテクチャ検索(NAS)ツールである。
GPU機能に依存する従来のNASメソッドとは異なり、TinyTNASはCPU上で効率的に動作し、幅広いアプリケーションにアクセスできる。
TinyTNASは、RAM、FLASH、MAC使用率、レイテンシを大幅に削減した最先端の精度を示している。
論文 参考訳（メタデータ） (2024-08-29T13:50:08Z) - When NAS Meets Trees: An Efficient Algorithm for Neural Architecture
Search [117.89827740405694]
ニューラルアーキテクチャサーチ(NAS)の主な課題は、巨大なサーチ空間において賢明に探索する方法を設計することである。
少数のアーキテクチャを探索することで探索効率を向上するNAS(TNAS with Tree)手法を提案する。
TNASは、NAS-Bench-201の4時間でテスト精度94.37%のCIFAR-10のグローバルな最適アーキテクチャを発見した。
論文 参考訳（メタデータ） (2022-04-11T07:34:21Z) - FP-NAS: Fast Probabilistic Neural Architecture Search [49.21560787752714]
PARSECのような確率的NASは高性能アーキテクチャ上の分布を学習し、単一のモデルをトレーニングするのに必要なメモリだけを使用する。
本稿では,分布エントロピーに適応したサンプリング手法を提案する。
FP-NAS(Fast Probabilistic NAS)はアーキテクチャを64%削減し、PARSECより2.1倍高速に検索できることを示す。
論文 参考訳（メタデータ） (2020-11-22T06:10:05Z) - $\mu$NAS: Constrained Neural Architecture Search for Microcontrollers [15.517404770022633]
IoTデバイスは、非常にリソースの少ないマイクロコントローラユニット(MCU)によって駆動される。
ニューラルアーキテクチャサーチ(NAS)システム($mu$NAS)を構築し、このような小型のパワーを持つMCUレベルのネットワークの設計を自動化する。
NASは、トップ1の分類精度を最大4.8%向上させるか、(b)メモリフットプリントを4-13x削減するか、(c)乗算累積演算数を少なくとも2倍削減することができる。
論文 参考訳（メタデータ） (2020-10-27T12:42:53Z) - Binarized Neural Architecture Search for Efficient Object Recognition [120.23378346337311]
バイナリ化されたニューラルネットワークサーチ(BNAS)は、エッジコンピューティング用の組み込みデバイスにおいて、膨大な計算コストを削減するために、極めて圧縮されたモデルを生成する。
9,6.53%対9,7.22%の精度はCIFAR-10データセットで達成されるが、かなり圧縮されたモデルで、最先端のPC-DARTSよりも40%速い検索が可能である。
論文 参考訳（メタデータ） (2020-09-08T15:51:23Z) - TF-NAS: Rethinking Three Search Freedoms of Latency-Constrained
Differentiable Neural Architecture Search [85.96350089047398]
本研究では,3自由度NAS(TF-NAS)を提案する。
特に,検索したTF-NAS-Aは76.9%のTop-1精度を示し,レイテンシを低減した最新結果が得られる。
論文 参考訳（メタデータ） (2020-08-12T13:44:20Z) - MCUNet: Tiny Deep Learning on IoT Devices [62.752899523628066]
効率的なニューラルネットワーク(TinyNAS)と軽量推論エンジン(TinyEngine)を共同で設計するフレームワークを提案する。
TinyNASは、まず検索空間を最適化してリソース制約に適合させ、次に最適化された検索空間におけるネットワークアーキテクチャを専門化する、2段階のニューラルネットワーク検索アプローチを採用している。
TinyEngineは、階層的に最適化するのではなく、全体的なネットワークトポロジに従ってメモリスケジューリングを適応し、メモリ使用量を4.8倍削減する。
論文 参考訳（メタデータ） (2020-07-20T17:59:01Z) - DSNAS: Direct Neural Architecture Search without Parameter Retraining [112.02966105995641]
この観測に基づいて,タスク固有のエンドツーエンドであるNASの新たな問題定義を提案する。
低バイアスモンテカルロ推定でアーキテクチャとパラメータを同時に最適化する効率的な微分可能なNASフレームワークであるDSNASを提案する。
DSNASは、420GPU時間でImageNetで同等の精度(74.4%)のネットワークを発見し、総時間を34%以上削減した。
論文 参考訳（メタデータ） (2020-02-21T04:41:47Z)
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。