Over-the-Air Multi-Sensor Inference with Neural Networks Using Memristor-Based Analog Computing

要約

ディープ ニューラル ネットワークは、多くの分類および回帰タスクに対して信頼性の高いソリューションを提供します。
ただし、単純なセンサー ネットワークを備えたリアルタイム ワイヤレス システムでのアプリケーションは、高いエネルギー消費と大幅な帯域幅の必要性により制限されます。
この研究では、メモリスタベースのアナログコンピューティングを備えたマルチセンサー無線推論システムを提案します。
センサーの計算能力が限られているため、ネットワークのフロントエンドからの特徴は中央デバイスに送信され、そこで $L_p$-norm にヒントを得た最大動作の近似が使用されて変換不変特徴が実現され、効率的な無線通信が可能になります。
伝染 ; 感染。
また、ネットワークとセンサーの分布特性に合わせてセンサー フュージョンをカスタマイズし、適応性を高める $L_p$-norm にヒントを得た結合関数に基づく、訓練可能な無線センサー フュージョン手法も紹介します。
センサーのエネルギー制約に対処するために、エネルギー効率の高いインメモリ コンピューティングで知られる memristor を利用し、エッジ コンピューティングにおけるエネルギー使用と計算オーバーヘッドを削減するアナログ ドメイン計算を可能にします。
メモリスタと $L_p$-norm にインスピレーションを得たセンサーフュージョンのこの二重アプローチは、エネルギー効率の高い計算パラダイムと伝送パラダイムを促進し、パフォーマンス損失を最小限に抑えた実用的なエネルギー効率の高いソリューションとして機能します。

要約(オリジナル)

Deep neural networks provide reliable solutions for many classification and regression tasks; however, their application in real-time wireless systems with simple sensor networks is limited due to high energy consumption and significant bandwidth needs. This study proposes a multi-sensor wireless inference system with memristor-based analog computing. Given the sensors’ limited computational capabilities, the features from the network’s front end are transmitted to a central device where an $L_p$-norm inspired approximation of the maximum operation is employed to achieve transformation-invariant features, enabling efficient over-the-air transmission. We also introduce a trainable over-the-air sensor fusion method based on $L_p$-norm inspired combining function that customizes sensor fusion to match the network and sensor distribution characteristics, enhancing adaptability. To address the energy constraints of sensors, we utilize memristors, known for their energy-efficient in-memory computing, enabling analog-domain computations that reduce energy use and computational overhead in edge computing. This dual approach of memristors and $L_p$-norm inspired sensor fusion fosters energy-efficient computational and transmission paradigms and serves as a practical energy-efficient solution with minimal performance loss.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google