基于相变存储器的超低功耗片上语音指令学习
音频与语音处理
2024-10-30 v1 无序系统与神经网络
硬件体系结构
机器学习
声音
摘要
将人工智能嵌入边缘（边缘AI）是解决快速扩张的物联网中功耗与延迟问题的一种优雅方案。由于边缘设备通常大部分时间处于休眠模式，仅不频繁唤醒以采集和处理传感器数据，非易失存内计算(NVIMC)是设计下一代边缘AI设备的有前景途径。近期，我们提出了一种使用相变存储器(PCM)的基于NVIMC的神经形态加速器，称之为Raven。本工作中，我们展示了使用Raven进行语音指令的超低功耗片上训练与推理。我们表明Raven可在片上训练，功耗低至30 μW，适用于边缘应用。此外，我们表明在同等精度下，Raven在推理与训练时所需执行的计算量分别比深度神经网络(DNN)少70.36倍和269.23倍。得益于如此低的功耗与计算需求，Raven为边缘端的超低功耗训练与推理提供了一条有前景的路径。
引用
@article{arxiv.2010.11741,
title = {Ultra-low power on-chip learning of speech commands with phase-change memories},
author = {Venkata Pavan Kumar Miriyala and Masatoshi Ishii},
journal= {arXiv preprint arXiv:2010.11741},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication