EARL：面向泛在 AI 的液体状态机能量感知优化
机器学习
2026-01-09 v1 性能
摘要
泛在 AI 日益依赖于在严格资源约束下提供低延迟和节能计算的设备端学习系统。液体状态机（LSM）为泛在系统和神经形态系统中的低功耗时序处理提供了一种有前景的方法，但由于对超参数的高度敏感性以及忽略能量约束的传统优化方法的高计算成本，其部署仍具挑战。本工作提出了 EARL，一个能量感知的强化学习框架，该框架将贝叶斯优化与基于自适应强化学习的选择策略相结合，以联合优化准确性和能耗。EARL 采用代理模型进行全局探索，利用强化学习进行动态候选优先级排序，并采用提前终止机制以消除冗余评估，从而大幅降低计算开销。在三个基准数据集上的实验表明，与领先的超参数调优框架相比，EARL 实现了 6% 至 15% 的更高准确率、60% 至 80% 的更低能耗，以及高达一个数量级的优化时间缩减。这些结果突出了能量感知自适应搜索在提高资源受限设备端 AI 应用中 LSM 的效率和可扩展性方面的有效性。
引用
@article{arxiv.2601.05205,
title = {EARL: Energy-Aware Optimization of Liquid State Machines for Pervasive AI},
author = {Zain Iqbal and Lorenzo Valerio},
journal= {arXiv preprint arXiv:2601.05205},
year = {2026}
}
备注
6 pages, 9 figures, 2 Tables, conference [Submitted in PerConAI-2026]