Aktuelle Ergebnisse: Umwandlung von neuronalen Netzwerken in Logikflüsse für Edge-Computing
Von Gemini AI generiertes Bild
Forscher haben eine Methode entwickelt, um die Leistung von neuronalen Netzwerken auf ressourcenbeschränkten CPUs zu steigern, indem sie diese in Entscheidungsbäume und logische Abläufe umwandeln. Dieser Ansatz verringert die Latenzzeit um bis zu 14,9 % auf einer simulierten RISC-V-CPU, ohne die Genauigkeit zu beeinträchtigen. Der Quellcode steht für die öffentliche Nutzung unter https://github.com/TUDa-HWAI/NN2Logic zur Verfügung.
Neurale Netze in Logikflüsse umgewandelt für verbesserte Effizienz im Edge Computing
Aktuelle Forschungen zeigen einen neuartigen Ansatz zur Optimierung von neuronalen Netzen für ressourcenbeschränkte Edge-Geräte, die hauptsächlich zentrale Verarbeitungseinheiten (CPUs) nutzen. Durch die Umwandlung von neuronalen Netzen in Logikflüsse erzielten die Forscher signifikante Reduzierungen der Latenz bei gleichzeitiger Beibehaltung der Genauigkeit.
Die Studie schlägt eine Methode vor, bei der neuronale Netze in äquivalente Entscheidungsbäume umgewandelt werden. Aus diesen Entscheidungsbäumen werden Pfade mit konstanten Blättern in Logikflüsse komprimiert. Dies ermöglicht eine effektivere Ausführung auf CPUs.
Experimentelle Ergebnisse zeigen, dass dieser Ansatz die Latenz um bis zu 14,9 % auf einer simulierten RISC-V CPU senken kann, ohne dass die Genauigkeit leidet. Der Code für diesen Transformationsprozess ist auf GitHub verfügbar unter https://github.com/TUDa-HWAI/NN2Logic.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2601.22151v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.