使用 PHEE 的低精度 Posit 算术提升可穿戴设备的能效
硬件体系结构
2026-04-09 v2
摘要
可穿戴边缘 AI biomedical 设备日益增长，用于持续患者健康监测，使能够在无需长时间住院的情况下实现实时洞察和延长数据收集。这些设备必须高效，以最小化电池尺寸、提高舒适度并减少充电间隔。本文探讨了使用 specialized 低精度算术格式来提高边缘 AI biomedical 可穿戴设备的能效。具体而言，我们研究了 Posit 算术，这是一种类似浮点表示，在两种 biomedical 应用中进行探索，这两种应用分别利用监督和无监督学习算法：慢性咳嗽监测中的咳嗽检测以及 ECG 分析中的 R 峰检测。我们的结果表明，16 位 Posit 可以用极少的精度损失替换 32 位 IEEE 754 浮点数。对于 R 峰检测，Posit 算术仅需 10 位或 8 位即可实现满意的精度，而浮点格式需要 16 位。为了在算法级别的仿真之外验证这些发现，我们引入 PHEE—a 一个模块化可扩展的架构，将 Coprosit Posit 协处理器集成到基于 RISC-V 的系统中。使用 X-HEEP 框架，PHEE 作为概念验证平台，用于量化低精度 Posit 在边缘 AI 系统中的实际能源优势。后综合结果针对 16 nm TSMC 技术表明，针对这些 ML-based biomedical 应用的 Posit 硬件可实现 38% 更小，功能单元功耗最高可降低 42.3%，且不牺牲性能。这些发现确立了低精度 Posit 算术显著提高边缘 AI biomedical 设备能效的潜力。
引用
@article{arxiv.2501.18253,
title = {Increasing the Energy-Efficiency of Wearables Using Low-Precision Posit Arithmetic with PHEE},
author = {David Mallasén and Pasquale Davide Schiavone and Alberto A. Del Barrio and Manuel Prieto-Matias and David Atienza},
journal= {arXiv preprint arXiv:2501.18253},
year = {2026}
}
备注
11 pages. Code available at https://github.com/esl-epfl/PHEE