混合边缘分类器：结合TinyML优化CNN与RRAM-CMOS ACAM实现能源高效推理
机器学习
2025-02-17 v1 人工智能
硬件体系结构
摘要
近年来，发展用于处理信息的智能边缘计算系统正在迅猛增长。许多接近传感器的机器学习（ML）方法已被实现，以在资源受限的边缘感知系统中（如可穿戴设备）引入准确且能源高效的模板匹配操作。为解决极端边缘情况的新颖方案，正在提出结合传统和新兴技术的混合方法。针对边缘应用优化的深度神经网络（DNN）以及新的计算方法（设备和架构层面）可能是实施旨在实现竞争准确率分类同时使用传统ML解决方案能耗的百分之几的边缘ML解决方案的强有力候选。在本工作中，我们提出了一个面向极端边缘近传感系统的混合软件硬件分类器。该分类器由两个部分组成：（i）作为前端特征提取器的优化数字tinyML网络，和（ii）作为最终阶段模板匹配系统的后端RRAM-CMOS模拟内容可寻址存储器（ACAM）。该组合混合系统在准确率与能耗指标之间展现出竞争性的权衡， = ， = ，相对于原始教师模型的78.06J，实现了792倍的能耗降低，使其成为极端边缘应用的可行解决方案。
引用
@article{arxiv.2502.10089,
title = {A Hybrid Edge Classifier: Combining TinyML-Optimised CNN with RRAM-CMOS ACAM for Energy-Efficient Inference},
author = {Kieran Woodward and Eiman Kanjo and Georgios Papandroulidakis and Shady Agwa and Themis Prodromakis},
journal= {arXiv preprint arXiv:2502.10089},
year = {2025}
}