Moderne Edge-Geräte, wie Kameras, Drohnen, und Internet-of-Things-Knoten,
Setzen Sie auf Deep Learning, um eine breite Palette intelligenter Anwendungen zu ermöglichen,
inklusive Objekterkennung, Umgebungswahrnehmung, und autonom
Navigation. Jedoch, Bereitstellung von Deep-Learning-Modellen direkt auf der Website
Ressourcenbeschränkte Edge-Geräte erfordern einen erheblichen Speicherbedarf und
Rechenleistung für Echtzeit-Inferenz mithilfe traditioneller digitaler Datenverarbeitung
Architekturen. In diesem Papier, Wir präsentieren WISE, eine neuartige Computerarchitektur
für drahtlose Edge-Netzwerke zur Überwindung von Energieengpässen in der Tiefe
Lernfolgerung. WISE erreicht dieses Ziel durch zwei wichtige Innovationen:
disaggregierter Modellzugriff über drahtlose Übertragung und physikalische Berechnungen
allgemeiner komplexwertiger Matrix-Vektor-Multiplikationen direkt am Radio
Frequenz. Verwendung einer softwaredefinierten Funkplattform mit drahtloser Übertragung
Modellgewichte über Funk, Wir zeigen, dass WISE Erfolg hat 95.7% Bild
Klassifizierungsgenauigkeit mit extrem geringer Betriebsleistung von 6.0 fJ/MAC pro
Kunde, entsprechend einer Recheneffizienz von 165.8 TOPS/W. Das
Der Ansatz ermöglicht energieeffiziente Deep-Learning-Inferenzen drahtlos
angeschlossene Edge-Geräte, eine Verbesserung um mehr als zwei Größenordnungen zu erreichen
in der Effizienz im Vergleich zum herkömmlichen digitalen Computing.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: