بهینه سازی مصرف انرژی و منابع سخت افزاری در دستگاه های لبه با شبکه هایعصبی جمع کننده

شبکه های عصبی کانولوشن به طور گسترده ای برای تقویت عملکرد بسیاری از وظایف هوش مصنوعی استفاده می گردند. بطور معمول مدل های مورداستفاده در این نوع شبکه ها از عملیات ضرب در طراحی استفاده می نمایند. بنابراین، به کارگیری آنها در محیط هایی با محدودیت منابع مانند دستگاه های اینترنتاشیا دشوار است. در این مقاله یک شبکه عصبی کانولوشن با هسته جمع کننده برای کاهش منابع سخت افزاری و دست یافتن به حداقل انرژی مصرفی در دستگاههای لبه پیشنهاد می گردد. همچنین برای کانولوشن جمع کننده نیز از کوانتیزاسیون کم بیت استفاده می شود. آزمایشات نشان می دهد که هسته جمع کننده با فشرده سازی int۸/int۱۶ عملکرد بالایی از خود نشان داده و در عین حال منابع بسیار کمتری را مصرف می کند. با مقایسه ای جامع در مورد مصرف انرژی و منابع سخت افزاری، نتیجه می گیریم، که شبکه عصبی جمع کننده در دستگاه لبه می تواند به ۴۵.۴۳% کاهش در استفاده از منابع سخت افزاری و ۸۷% کاهش در صرف انرژی در مقایسه با CNN تحت همان معماری مدار دست یابد. کانولوشن جمعکننده میتواند نسبت به سایر معماری ها پتانسیل بالاتری در کاربردهای هوش مصنوعی داشته باشد.