Simulating Battery-Powered TinyML Systems Optimised using Reinforcement Learning in Image-Based Anomaly Detection

要約

Tiny Machine Learning (TinyML) の進歩により、スマート農業、ヘルスケア、スマート シティなどのスマート産業ソリューションの構築が強化されました。
関連する研究は、制約のあるハードウェア上で TinyML ソリューションを実現することに貢献していますが、バッテリー駆動システムのエネルギー消費を最適化することで現実世界のアプリケーションを拡張する必要があります。
発表された研究は、バッテリー駆動の画像ベースの異常検出モノのインターネット (IoT) システムを最適化することにより、TinyML 研究を拡張し、貢献します。
この分野におけるこれまでの研究により、オンデバイスの推論とトレーニングの機能が実現されましたが、導入バッテリーを改善するために、強化学習 (RL) などの機械学習アプローチを使用してそのような機能の管理を最適化する調査はまだ行われていません。
そのようなシステムの寿命。
モデル化されたシミュレーションを使用して、RL アルゴリズムのバッテリー寿命への影響が静的および動的最適化アプローチに対してベンチマークされ、ハードウェア ベンチマークの基礎が築かれます。
TinyML 対応の IoT システム内で RL を使用して、クラウド異常処理やオンデバイス トレーニングなどのシステム操作を最適化すると、静的最適化アプローチと動的最適化アプローチと比較して、それぞれバッテリー寿命が 22.86% と 10.86% 向上することが示されています。
提案されたソリューションは、メモリ フットプリントが 800 B と低く、さらに削減できる可能性があるため、リソースに制約のあるハードウェアに導入できます。
これにより、スマート農業などの主要分野を含む、このようなシステムの現実世界への展開がさらに容易になります。

要約(オリジナル)

Advances in Tiny Machine Learning (TinyML) have bolstered the creation of smart industry solutions, including smart agriculture, healthcare and smart cities. Whilst related research contributes to enabling TinyML solutions on constrained hardware, there is a need to amplify real-world applications by optimising energy consumption in battery-powered systems. The work presented extends and contributes to TinyML research by optimising battery-powered image-based anomaly detection Internet of Things (IoT) systems. Whilst previous work in this area has yielded the capabilities of on-device inferencing and training, there has yet to be an investigation into optimising the management of such capabilities using machine learning approaches, such as Reinforcement Learning (RL), to improve the deployment battery life of such systems. Using modelled simulations, the battery life effects of an RL algorithm are benchmarked against static and dynamic optimisation approaches, with the foundation laid for a hardware benchmark to follow. It is shown that using RL within a TinyML-enabled IoT system to optimise the system operations, including cloud anomaly processing and on-device training, yields an improved battery life of 22.86% and 10.86% compared to static and dynamic optimisation approaches respectively. The proposed solution can be deployed to resource-constrained hardware, given its low memory footprint of 800 B, which could be further reduced. This further facilitates the real-world deployment of such systems, including key sectors such as smart agriculture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google