MERINDA：基于FPGA的动态架构中的模型恢复技术，用于边缘计算和物理智能应用

《ACM Transactions on Design Automation of Electronic Systems》：MERINDA: Model Recovery in FPGA-Based Dynamic Architecture for Edge and Physical AI

自主系统关键物理定律的FPGA加速模型恢复方法研究，提出MERINDA框架整合GRU与非线性基函数映射，通过理论分析和实验验证在保持精度前提下显著提升计算速度和能效比。

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

理解支配现实世界数据的物理定律对于实现关键任务自主系统（MCAS）的安全和可解释操作至关重要——这是物理AI的基石。模型恢复（MR）是一种直接从数据中推断出支配方程的关键机制。然而，在MCAS中部署MR时必须应对严格的延迟、计算和功耗限制，这使得边缘AI加速变得必不可少。现场可编程门阵列（FPGA）由于其可重构性和实时处理能力而成为一种有吸引力的硬件平台。然而，现有的MR技术通常依赖于计算密集型的非线性优化或嵌入在神经架构中的多个常微分方程（ODE）的数值解，从而导致较高的计算和内存开销。

为了解决这些挑战，本文介绍了MERINDA（动态架构中的模型恢复），这是一种基于FPGA加速的MR框架，它将门控循环单元（GRU）与可逆映射相结合，该映射被参数化为非线性基函数的线性组合。我们从理论上证明了MERINDA在功能上等同于基于神经常微分方程（NODE）的MR架构，同时消除了训练和推理过程中重复进行ODE积分的需要。在基准数据集上的实证评估表明，MERINDA在准确性方面与现有方法相当，同时在处理速度、能效和DRAM利用率方面取得了显著提升。

我们进一步分析了MERINDA中的能量-内存权衡，发现在一个资源受限的情况下，优化一个资源会直接影响另一个资源。利用混合整数规划，我们推导出了考虑资源的最优超参数，并构建了帕累托前沿，用于比较FPGA边缘部署与移动GPU（M-GPU）和服务器级图形处理单元（GPU）平台的性能。我们的结果突显了MERINDA的能效优势、更短的训练时间以及更小的内存占用，进一步证明了其在资源受限的自主系统中的可行性。

AI摘要

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。