面向无电池系统最优能耗的机器学习应用内存感知划分
分布式、并行与集群计算
2026-01-05 v1 硬件体系结构
机器学习
软件工程
摘要
由能量收集供能的传感系统传统上被设计为可容忍长时间无能量状态。随着物联网（IoT）向更瞬态和机会式执行范式演进，降低能量存储成本对其经济和生态可行性将是关键。然而，在收集系统中减少能量存储会引入可靠性问题。换能器仅以低电压和电流水平产生间歇性能量，使得保证任务完成成为挑战。现有的特设方法通过为单个任务缓冲足够能量（导致大数据保留开销）或为完整应用周期缓冲（需要大能量缓冲）来克服此问题。我们提出 Julienning：一种用于优化无电池应用总能耗的自动化方法。使用自定义规约模型，开发者可将瞬态应用描述为具有显式数据依赖关系的一组原子执行内核。我们的优化流程可将数据和能量密集型应用划分为具有有界能耗的多个执行周期。通过利用内核间数据依赖，这些能量有界执行周期最小化了系统激活次数和非易失性数据传输次数，从而最小化总能量开销。我们使用两个运行能量密集型机器学习应用的无电池相机验证了我们的方法。结果表明，与特设方案相比，我们的方法可将所需能量存储减少超过 94%，而仅产生 0.12% 的能量开销。
引用
@article{arxiv.2108.04059,
title = {Memory-Aware Partitioning of Machine Learning Applications for Optimal Energy Use in Batteryless Systems},
author = {Andres Gomez and Andreas Tretter and Pascal Alexander Hager and Praveenth Sanmugarajah and Luca Benini and Lothar Thiele},
journal= {arXiv preprint arXiv:2108.04059},
year = {2026}
}