在边缘端赋能 Physical AI：硬件加速的系统动力学恢复
机器学习
2026-01-01 v1 人工智能
硬件体系结构
摘要
边缘端的 Physical AI——使自主系统能够实时理解并预测真实世界动力学——需要硬件高效的学习与推理。模型恢复（MR）从传感器数据中识别控制方程，是在严格的延迟、计算和功耗约束下运行的任务关键型自主系统中实现安全且可解释监控的关键原语。然而，最先进的 MR 方法（如 EMILY 和 PINN+SR）依赖于需要迭代求解器的 Neural ODE 公式，难以在边缘硬件上高效加速。我们提出了 MERINDA（Model Recovery in Reconfigurable Dynamic Architecture，可重构动态架构中的模型恢复），一种 FPGA 加速的 MR 框架，旨在使 Physical AI 在资源受限设备上切实可行。MERINDA 用一种硬件友好的公式取代了昂贵的 Neural ODE 组件，该公式结合了基于 GRU 的离散动力学、稠密逆 ODE 层、稀疏驱动 dropout 以及轻量级 ODE 求解器。由此产生的计算结构适用于流式并行，使得关键计算核心能够在 FPGA 上完全并行化。在四个基准非线性动力系统上，MERINDA 相比 GPU 实现取得了显著优势：能耗降低 114 倍（434 J vs. 49,375 J），内存占用缩小 28 倍（214 MB vs. 6,118 MB），训练速度提升 1.68 倍，同时匹配了最先进的模型恢复精度。这些结果表明，MERINDA 能够将准确、可解释的 MR 引入边缘端，用于自主系统的实时监控。
引用
@article{arxiv.2512.23767,
title = {Enabling Physical AI at the Edge: Hardware-Accelerated Recovery of System Dynamics},
author = {Bin Xu and Ayan Banerjee and Sandeep Gupta},
journal= {arXiv preprint arXiv:2512.23767},
year = {2026}
}
备注
2025 59th Asilomar Conference on Signals, Systems, and Computers