HybMED:一个混合神经网络训练处理器,用于医疗物联网的多间隙利用

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 硬件加速器 硬件加速器

背景情况:

• 由于患者在云/边缘模式中的变化,AIoMT应用程序面临准确性问题.
• 芯片上学习提供了用户特定的适应性,但当前的处理器缺乏多功能性和效率.
• 现有的解决方案在AIoMT的资源利用和能源消耗方面扎.

研究的目的:

• 开发一种新的神经信号处理器,HybMED,用于多功能芯片上AIoMT训练.
• 提高AIoMT设备的资源利用率,面积效率和能源效率.
• 为了解决AIoMT应用中由生理信号变化引起的精度降低.

主要方法:

• 提出了HybMED,一种神经信号处理器,支持芯片上混合神经网络训练.
• 利用基于对齐的复合直接反模式来进行神经网络适应.
• 实现了一个可重新配置的同质核心,具有异质的数据流,并利用稀疏性提高效率.

主要成果:

• 通过在线少数拍摄的学习,在生理信号处理任务中获得了41.16%的平均准确性改进.
• 已证明的面积效率为1.17 GOPS/mm2和能源效率为1.58 TOPS/W.
• 与先前的技术相比,面积效率提高了65倍,能源效率提高了1.48倍.

结论:

• HybMED是一个适合用于通用健康监测AIoMT设备的处理器.
• 芯片设计显著提高了在芯片上学习的资源和能源效率.
• HybMED为个性化医疗保健提供了AIoMT硬件的实质性进步.