边缘地图:在边缘计算中用于尖端神经网络的优化映射工具链
Jianwei Xue1, Lisheng Xie1, Faquan Chen1
1School of Electronic and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
EdgeMap优化了边缘设备的尖端神经网络 (SNN),大大降低了延迟,能源使用和通信成本. 这个工具链增强了SNN在神经形态硬件上的部署,以实现高效的边缘计算应用程序.
科学领域:
- 人工智能的人工智能
- 神经形态计算是一种神经形态计算.
- 边缘计算 边缘计算
背景情况:
- 尖端神经网络 (SNN) 为边缘计算提供智能和能源效率.
- 目前在神经形态硬件上的SNN映射方法存在高延迟,低吞吐量和糟糕的能源/连接管理问题.
- 这些局限性阻碍了SNN在边缘计算中的实际部署.
研究的目的:
- 介绍EdgeMap,这是一个优化的工具链,用于在边缘设备上部署SNN.
- 克服现有的SNN映射方案的性能和效率限制.
- 在边缘计算场景中实现高性能,高能效的SNN应用.
主要方法:
- 使用流式图表分区算法进行SNN图形分区,根据硬件约束对神经元进行聚类.
- 多目标优化算法,在绘图过程中最大限度地降低能源和通信成本.
- 在四个不同的SNN应用程序中对EdgeMap的评估.
主要成果:
- EdgeMap的平均延迟时间降低了高达19.8%,能源消耗降低了57%,通信成本降低了58%.
- 执行时间被提高了1225.44×的因素.
- 与最先进的方法相比,吞吐量增加了高达4.02×.
结论:
- EdgeMap提供了一个高效和有效的解决方案,用于在边缘设备上部署SNNs.
- 工具链显著提高了对边缘计算至关重要的性能指标.
- 在资源受限的边缘环境中,EdgeMap证明了对现实世界SNN应用程序的强大实用性.
更多相关视频
11:18Closed-loop Neuro-robotic Experiments to Test Computational Properties of Neuronal Networks
Published on: March 2, 2015
10.4K
08:32Neurovascular Network Explorer 2.0: A Simple Tool for Exploring and Sharing a Database of Optogenetically-evoked Vasomotion in Mouse Cortex In Vivo
Published on: May 4, 2018
6.4K
