机构名称：
¥ 13.0
机器学习在解决各个领域的综合任务方面表现出了非凡的能力。硬件加速器的进步已使机器学习模型在边缘设备上的部署，从而促进了资源约束系统中的实时AI应用程序。最近的加速器越来越多地采用了芯片上的网络（NOC）体系结构，以支持大规模处理元件阵列中的大规模数据通信。但是，随着这些加速器的复杂性继续增长，硬件原型制作变得有效的设计空间探索变得有效。此外，在各种机器学习工作负载之间实现高灵活性和效率仍然是一个重大挑战，尤其是对于边缘计算而言。为了解决这些问题，我们从架构侧和应用程序侧探索。首先，我们为基于NOC的深神经网络（DNN）加速器引入了一个周期精确的仿真工具。此模拟器通过探索设计参数来快速而精确地评估推理效率。通过将详细的性能跟踪到系统行为中，模拟器促进了DNN推理效率的优化，这可以减少与硬件原型制作相关的时间和成本。然后，我们专注于基于NOC的DNN加速器的新型体系结构设计，杠杆内网络处理技术，以改善端到端延迟和资源利用率。第三部分探讨了机器学习在嵌入式传感器系统中的应用，重点是下limb假体。提出了两种关键方法：在网络设计中的激活设计，可将非线性操作卸载到NOC，并进行汇总的随身携带设计，以最大程度地减少汇总层的通信开销。这些设计证明了现有基于NOC的加速器体系结构的处理效率的实质性提高，同时保持了对各种DNN工作负载的范围和适应性。开发了可穿戴压力测量系统，以收集和分析货物内压力数据。提出了两个机器学习应用程序，用于在舒适的假肢设计领域求解子任务。开发了一种基于聚类的方法，用于通过减少重新播放的同时维护数据完整性来优化传感器部署。采用了使用多个隐藏马尔可夫模型和高斯混合模型的步态相识别方法。所提出的步态识别方法实现了高精度和计算效率，这表现优于常规技术。通过应对基于NOC的加速器设计和机器学习应用程序的挑战，我们弥合了硬件优化和实际部署之间的差距。这些技术将为嵌入式智能的未来进步铺平道路。
边缘计算有效的机器学习
主要关键词
相关文件推荐
