ABNN:具有动态激活量化用于工业健康状况预测的自适应门二元神经网络

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 边缘计算 边缘计算

背景情况:

• 工业设备健康预测对于安全性和可靠性至关重要.
• 由于资源和实时限制,在工业边缘部署高精度深度学习模型具有挑战性.

研究的目的:

• 为工业边缘场景提出一个高效的自适应门二元神经网络 (ABNN).
• 克服在资源有限的边缘环境中部署复杂的深度学习模型的局限性.

主要方法:

• 开发了一种趋势感知编码器 (TAE),用于优化输入层二元化.
• 引入了一个可学习的精度指标 (LPI),用于适应性推理精度.
• 设计了一个自适应式门卷积,以增强表达能力,而不会增加计算成本.
• 实现了一个现场可编程网关阵列 (FPGA) 硬件加速器.

主要成果:

• 拟议的ABNN与基线模型相比,准确度大约提高了7%.
• 与基线模型相比,ABNN显示了45%的效率提升.
• 该网络有效地平衡了表示能力和计算效率.

结论:

• ABNN提供了一种高效的解决方案,可以在边缘实时预测工业设备的健康状况.
• 提出的方法可以在资源有限的环境中部署准确的深度学习模型.
• 结合FPGA加速,ABNN框架显示出对工业边缘应用的重大前景.