XiaoMi-AI文件搜索系统
World File Search System边缘设备
受限物联网边缘设备中的 NTRU 后量子加密方案分析
摘要 — 后量子密码学的研究旨在解决现代公钥密码学在未来可能被来自量子计算机的攻击以及使用经典电子技术的攻击所破解的问题。这项任务非常关键，因此美国国家标准与技术研究所 (NIST) 正在进行后量子方案的标准化最终流程，以保护未来的嵌入式应用程序。虽然已经对嵌入式系统进行了一些研究，但研究这些提案在物联网 (IoT) 的现实环境中的影响非常重要，因为在物联网中，有限的计算资源和严格的功耗要求可能与加密方案的使用不相容。在这项工作中，研究了标准化过程中的最终方案之一 NTRU 的性能，并将其实现在为物联网最边缘应用设计的定制无线传感器节点中。该密码系统在 Contiki-NG 操作系统的进程中实现和评估。此外，还进行了额外的实验，以检查现代微控制器内部常用的加密集成硬件外设是否可用于实现 NTRU 的更好性能，不仅在单节点级别，而且在网络级别，其中 NTRU 密钥封装机制在实际通信过程中进行测试。这些实验的结果表明，NTRU 适用于针对无线传感器网络设计的现代微控制器，而流行平台中的旧设备可能无法承担其实施成本。
Gemesys获得860万欧元的预种植资金，以在边缘设备上转换AI
插件技术中心是一个领先的创新平台，是全球最活跃的早期VC公司之一，其中包括Paypal，Honey，N26和Einride，其中包括多个成功案例和30多个独角兽。总部位于硅谷，插电和游戏投资于20多个行业。他们的德国Ojices位于斯图加特，慕尼黑，汉堡和法兰克福，每个人都专注于各自领域的行业合作伙伴和初创企业之间的合作 - Stuttgart，Insusttgart，Insurtech，Healthtech，Healthtech，Healthtech，Healthtech和Munich in Munich in Munich，Munich，Hamburg in Munich in Munich in hamburg in Frankfurt in Frankfurt和Fintech in Frankfurt。www.plugandplaytechcenter.com/venture-capital
TinyML：在超低功耗物联网边缘设备上为人工智能应用启用推理深度学习模型
摘要：最近，物联网 (IoT) 引起了广泛关注，因为物联网设备被放置在各个领域。其中许多设备都基于机器学习 (ML) 模型，这使它们变得智能并能够做出决策。物联网设备通常资源有限，这限制了在其上执行复杂的 ML 模型（例如深度学习 (DL)）。此外，将物联网设备连接到云以传输原始数据并执行处理会导致系统响应延迟、暴露私人数据并增加通信成本。因此，为了解决这些问题，出现了一种称为微型机器学习 (TinyML) 的新技术，它为应对物联网设备的挑战铺平了道路。该技术允许在设备上本地处理数据，而无需将其发送到云端。此外，TinyML 允许推断 ML 模型，而设备上的 DL 模型则被视为资源有限的微控制器。本文的目的是概述 TinyML 的革命并对 tinyML 研究进行回顾，其中主要贡献是对 tinyML 研究中使用的 ML 模型类型进行分析；它还介绍了数据集的详细信息以及设备的类型和特征，旨在阐明最先进的技术并展望发展需求。
triffid：提高第一响应者效率的自动机器人辅助
摘要 - 视觉变压器（VIT）在各种计算机视觉任务中都表现出最先进的性能，但是其高计算需求使其对于资源有限的边缘设备不切实际。本文介绍了Microvit，这是一种轻巧的视觉变压器体系结构，通过显着降低计算复杂性，同时保持高精度，从而优化了边缘设备。Microvit的核心是有效的单头注意（ESHA）机制，该机制利用组卷积减少特征冗余，并且仅处理一小部分通道，从而降低了自我注意力的负担。Microvit是使用多阶段元式构建结构设计的，堆叠了多个微型编码器以提高效率和性能。Imagenet-1k和可可数据集上的全面实验表明，微型电视可以达到竞争精度，同时显着改善了3。6×更快的推理速度和降低效率高40％的效率的速度比移动设备系列高40％，这使其适合在资源受限环境（例如移动设备和边缘设备）中部署。索引术语 - 分类，自我注意力，视觉跨前，边缘设备。
带有设备学习的节能新皮层启发的系统
将计算工作负载从云转移到边缘设备可以显着证明推理和学习的总体延迟。相反，此范式偏移加剧了边缘设备上的资源约束。受神经过程启发的神经形态计算体系结构是边缘设备的自然基板。他们是共同存在的记忆，原位训练，能量效率，高记忆密度和计算能力，以较小的形式。由于这些特征，在最近的过去，混合CMOS/MEMRistor神经形态计算系统迅速扩散。但是，这些系统中的大多数具有有限的可塑性，靶向空间或时间输入流，并且未在大规模的异质任务上证明。设计可扩展的神经形态系统存在关键的知识差距，该系统可以支持边缘设备上的时空输入流的混合可塑性。
AHEAD：用于主动 BMI 边缘设备中 MLP 神经网络硬件生成的自动整体能量感知设计方法
摘要：基于主动式脑机接口 (BMI) 控制边缘设备的高级认知功能预测是一项改善残疾人生活质量的新兴技术。然而，由于神经元的非平稳性质，维持多单元神经记录的稳定性变得困难，并且会影响主动式 BMI 控制的整体性能。因此，需要定期重新校准以重新训练神经网络解码器以进行主动控制。然而，重新训练可能会导致网络参数（例如网络拓扑）发生变化。就用于实时和低功耗处理的神经解码器的硬件实现而言，修改或重新设计硬件加速器需要时间。因此，处理低功耗硬件设计的工程变更需要大量的人力资源和时间。为了应对这一设计挑战，这项工作提出了 AHEAD：一种用于主动式 BMI 边缘设备中多层感知器 (MLP) 神经网络硬件生成的自动整体能量感知设计方法。通过对主动式 BMI 设计流程进行全面分析，该方法明智地利用了智能位宽识别 (BWID) 和可配置硬件生成，它们自主集成以生成低功耗硬件解码器。所提出的 AHEAD 方法从训练过的 MLP 参数和黄金数据集开始，并在性能、功耗和面积 (PPA) 方面产生高效的硬件设计，同时将准确性损失降至最低。结果表明，与现场可编程门阵列 (FPGA) 上的浮点和半浮点设计相比，所提出的方法性能提高了 4 倍，功耗降低了 3 倍，面积资源减少了 5 倍，并且具有精确的准确性，这使其成为一种有前途的主动式 BMI 边缘设备设计方法。
用于节能智能边缘设备的纳米电子学
边缘设备。先进的芯片设计正在降低微电子元件、设备和系统的能耗，同时提高速度、容量、可靠性和安全性等性能。应用包括人工智能、通信、计算和传感。各种策略都已经过测试，但通过整体方法共同设计几何、材料、电路和集成，仍有很大的空间将功耗降低到接近基本极限。这项挑战赛的总体目标是探索新材料和超越 CMOS 的设备、非冯·诺依曼架构和替代信息处理范式，以大幅降低能耗，以满足智能边缘设备和电路的特定应用需求。
