面向微控制器间歇性学习的深度神经网络设计时优化

arXiv 发布论文，提出在微控制器单元上为能量采集型、间歇性设备学习设计深度神经网络的方法。该方法结合硬件感知能量预测模型与多目标优化，在设计阶段离线优化 DNN，无需反复部署和在线测试。在 Cortex-M4 上的自编码器实验中，能量预测加权绝对百分比误差为 16.6%，足以支持间歇性约束下的架构选择。

目前边缘 AI 设备多依赖持续供电，能量中断会导致训练失败。该方法首次在设计阶段结合能量预测与多目标优化，实现离线选择架构，减少反复试验，为太阳能等能量受限设备的自主持续学习提供了可行路径。

核心机制是构建硬件感知的能量预测模型，基于 DNN 的计算与内存特征，逐层估算推理和训练能耗，并计入间歇性检查点开销。随后通过多目标优化，在架构选择时同时考虑能耗与性能，从而在无在线测试情况下选出适应间歇性学习的网络。

对 MCU 类产品的 AI 功能开发流程有明显简化：可缩短设计迭代周期，降低能源相关测试成本。同时提高能量采集设备（如太阳能传感器）的 AI 稳定性，减少因断电导致的学习中断损失，提升产品在边缘场景的可靠性。

• 开发面向太阳能供电 MCU 的异常检测库，内置该优化流程，方便快速部署。
• 提供基于该方法的云端设计工具，支持客户上传 DNN，自动生成节能、可中断的模型配置。
• 在 MCU 生态中集成该预测模型，用于培训资料或 IDE 插件，降低 AI 调优门槛。
• 针对 Cortex-M 系列推出参考案例，展示间歇性学习能力，吸引能源采集硬件客户。

• 预测误差在不同 MCU 和网络结构上的泛化能力尚未在证据中体现。
• 多目标优化的具体目标和权重未被披露，无法评估对性能的权衡。
• 间歇性检查点开销的具体计算方式未说明，其准确性尚不明确。