HTR-Accel：一种具有分层时间复用特性的高能效AI加速器，用于流式时间序列信号分类

《IEEE Transactions on Circuits and Systems I: Regular Papers》：HTR-Accel: An Energy-Efficient AI Accelerator With Hierarchical Temporal Reuse for Streaming Time-Series Signal Classification

　　

摘要：

时间序列信号的高效分类为边缘智能系统在长期健康监测和实时人机交互中带来了重大挑战。这些挑战主要源于对能效、推理延迟和跨用户泛化的严格要求。为了应对这些问题，本文提出了一种面向流式时间序列信号分类的高能效人工智能（AI）处理器HTR-Accel。该架构采用分层时间复用算法（HTRA）以最小化冗余计算，支持事件驱动推理以抑制空闲功耗，并通过微调实现用户级模型个性化的自适应学习。HTR-Accel采用40纳米CMOS技术实现，在四个代表性应用中展现了跨模态适应性：基于脑电图（EEG）的癫痫发作检测、基于肌电图（EMG）的手势识别、基于心电图（ECG）的心律失常诊断，以及基于音频的关键词识别。实验结果表明，在HTR-Accel中启用HTRA可将每次分类的能耗降低超过85%，癫痫检测降至仅 0.12 μ 焦，手势识别降至 0.36 μ 焦，关键词识别降至 0.15 μ 焦。这些改进使得加速器能够保持有竞争力的分类准确率，同时在能效方面显著优于最先进的设计，为下一代可穿戴健康系统建立了一个高效、灵活且实用的AI硬件平台。

I. 引言

利用人工智能（AI）对时间序列信号进行高效分类，在设计用于长期健康监测和实时人机交互的智能系统中起着至关重要的作用。代表性应用包括基于脑电图（EEG）的癫痫发作检测[1]、基于肌电图（EMG）的假肢控制[2]、[3]、基于心电图（ECG）的心律失常诊断[4]、[5]，以及基于音频的关键词识别[6]。根据应用对延迟、隐私和功耗的具体要求，这些任务可以分布在多个计算层级，涵盖从云端到边缘设备。