面向物理 AI 的资源受限边缘模型恢复
人工智能
2025-12-03 v1
摘要
模型恢复 (MR) 通过学习支配性动力学方程来实现使命关键自主系统 (MCAS) 的安全、可解释决策，但其在边缘设备上的部署受到神经常微分方程 (NODEs) 的迭代求解过程效率低下的限制，这些求解过程在 FPGA 上效率不高。内存和能源消耗是将 MR 应用于边缘设备进行实时操作的主要关注点。我们提出 MERINDA，一个新型 FPGA 加速的 MR 框架，用可并行的神经架构取代迭代求解器，等效于 NODEs。MERINDA 在 DRAM 使用上几乎降低 11 倍，在运行时间上快 2.2 倍。实验揭示了在固定准确度下，内存和能耗之间的反比关系，突显了 MERINDA 适用于资源受限、实时 MCAS 的优势。
引用
@article{arxiv.2512.02283,
title = {Model Recovery at the Edge under Resource Constraints for Physical AI},
author = {Bin Xu and Ayan Banerjee and Sandeep K. S. Gupta},
journal= {arXiv preprint arXiv:2512.02283},
year = {2025}
}
备注
Published in ECAI 2025, Frontiers in Artificial Intelligence and Applications, volume 413, pages 3904-3911