5G及更高技术背景下的AI能源效率：DeepRx案例研究
机器学习
2025-07-16 v2 人工智能
摘要
本研究聚焦于在AI/ML模型中平衡能源效率与性能之间的挑战，具体考察基于全卷积ResNet架构的深度学习接收器DeepRX。我们评估了DeepRX的能源消耗，包括FLOPs/Watt和FLOPs/clock等指标，发现估算值与实际能源使用之间的一致性受内存访问模式的影响。研究进一步比较了训练与推理阶段的能源动态。本文的关键贡献在于将知识蒸馏(KD)应用于训练紧凑型DeepRX学生模型，使其能够模仿教师模型的性能，但能源消耗更低。我们实验不同的学生模型规模、最优教师规模以及KD超参数。通过比较蒸馏模型与从零训练的模型的比特错误率(BER)性能来衡量性能，以及与信噪比干扰噪声比(SINR)值之间的关系。蒸馏模型在不同SINR水平上表现出更低的误码底，凸显了KD在实现能源效率AI解决方案方面的有效性。
引用
@article{arxiv.2507.10409,
title = {Energy Efficiency in AI for 5G and Beyond: A DeepRx Case Study},
author = {Amine Lbath and Ibtissam Labriji},
journal= {arXiv preprint arXiv:2507.10409},
year = {2025}
}