XiaoMi-AI文件搜索系统
World File Search System性能约束
基于路由技术的SD-DCN能耗优化研究
摘要 — 数据中心网络 (DCN) 的功耗不断增加，成为网络运营商的主要关注点。本文旨在调查通过 (1) 增强调度和 (2) 使用软件定义网络 (SDN) 增强流量聚合来降低能耗的最新方法，重点介绍这些方法的优缺点。我们填补了文献中的空白，回顾了基于 SDN 的节能技术，并讨论了多控制器解决方案在性能约束方面的局限性。这篇调查论文的主要发现是，两类基于 SDN 的方法（调度和流量聚合）显著降低了 DCN 中的能耗。我们还认为机器学习有可能进一步改进这些类别的解决方案，并认为基于混合 ML 的解决方案是该领域的下一个前沿。从这项分析中得出的观点是，基于 ML 的高级解决方案和基于多控制器的解决方案可能会解决最先进技术的局限性，应该进一步探索以优化 DCN 中的能源。
基于芯片组装的处理器的设计空间探索
摘要 — 2.5 维集成技术的最新进展使芯片组装成为一种可行的系统设计方法。芯片组装正在成为一种新的异构设计范式，它具有更低的成本、更少的设计工作量和更少的周转时间，并能够实现硬件的低成本定制。然而，这种方法的成功取决于确定一个能带来这些好处的最小芯片集。我们开发了第一个基于芯片组装的处理器的微架构设计空间探索框架，使我们能够确定要设计和制造的最小芯片集。由于芯片组装使异构技术和具有成本效益的应用相关定制成为可能，我们展示了使用由多个芯片构建的多个系统来服务不同工作负载的好处（与单个最佳系统相比，能量延迟积提高了 35%），以及芯片组装方法在总成本方面优于片上系统 (SoC) 方法（成本提高了 72%），同时满足了单个应用程序的能量和性能约束。索引词——2.5-D集成、芯片组装、微架构设计空间探索（DSE）、多芯片优化。
填补空白：探索生成式人工智能以增强异构移动边缘设备的联邦学习
摘要 — 由于边缘设备的数据和资源异构性，在移动边缘网络上进行分布式人工智能 (AI) 模型训练面临重大挑战。前者阻碍了全局模型的收敛速度，而后者降低了设备的资源利用效率。在本文中，我们提出了一种生成式 AI 赋能的联邦学习来应对这些挑战，它利用了填充本地数据缺失部分 (FIMI) 的思想。具体而言，FIMI 可以被视为一种资源感知的数据增强方法，可在确保高效的 FL 训练的同时有效缓解数据异构性。我们首先量化训练数据量和学习性能之间的关系。然后，我们研究 FIMI 优化问题，目标是在所需学习性能约束下最小化设备端总体能耗。利用基于分解的分析和交叉熵搜索方法得出解决方案，其中为每个设备分配合适的 AI 合成数据和资源利用策略。实验结果表明，与现有方法相比，FIMI 可以节省高达 50% 的设备端能量，以达到目标全局测试精度。同时，FIMI 可以显著提高非独立同分布 (non-IID) 数据下的收敛全局精度。
CMOS 868/915 MHz 直接转换 ZigBee 单芯片...
大多数无线局域网标准（如 IEEE 802.11 a/b/g [1–3]）都不符合低成本设计目标，因为这些标准对误码率 (BER)、范围和数据速率都有很高的要求。为了满足低成本要求，需要制定一个性能约束较低的标准，以满足工业和商业、家庭自动化、个人电脑 (PC) 外围设备、消费电子产品、个人保健以及玩具和游戏等成本敏感型应用的需求。为此，IEEE 最近批准了 802.15.4 标准，可在 868/915 MHz 和 2.4 GHz 下运行 [4]。本文介绍了 868/915 MHz ZigBee 收发器的自上而下系统设计和仿真，并推导出一组符合 IEEE 802.15.4 物理 (PHY) 层标准要求的系统级无线电规范。系统级无线电规范包括系统噪声系数、灵敏度、本振相位噪声、信道整形和选择滤波器的阶数、互调特性、模数转换器和数模转换器 (ADC/DAC) 的位分辨率、信道抑制性能和频谱整形。本文还讨论了采用 0.18 µ m 互补金属氧化物半导体 (CMOS) 技术实现单芯片低功耗低成本 ZigBee 收发器的电路拓扑。