Microcontroller Units
PulseAugur coverage of Microcontroller Units — every cluster mentioning Microcontroller Units across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法优化微控制器上深度神经网络的间歇式学习
研究人员开发了一种方法，用于优化微控制器上深度神经网络（DNN）的间歇式学习，特别适用于能量收集系统。该方法结合了硬件感知能量预测模型和多目标优化，以离线选择最优的DNN架构。能量预测器估算每层的推理和训练功耗，并考虑了检查点开销，在Cortex-M4 MCU上进行了验证，平均预测误差为16.6%。这项工作通过连接设计时优化和间歇式学习能力，促进了边缘设备的自主AI。
-
新的AdaCTSi方法改进了物联网环境下的时间序列填补
研究人员开发了AdaCTSi，一种用于填补相关时间序列数据中缺失值的新颖方法，特别适用于物联网（IoT）应用。与以前的方法不同，AdaCTSi旨在适应变化的环境（如传感器故障），并且可以在不同的传感器子集和资源限制下运行。该系统利用单次时间卷积网络和学习时间-传感器索引表来有效处理时空特征和动态空间相关性。实验表明，AdaCTSi在各种数据集和适应性场景下，平均将平均绝对误差降低了33.1%，优于十二种基线方法，并且能够部署在微控制器…
-
新型Receptron模型为物联网提供硬件感知的边缘智能
研究人员开发了一种新颖的受神经形态学启发的分类器，称为Receptron模型，旨在克服物联网网络中边缘智能微控制器单元（MCU）的计算和内存限制。这种单单元架构无需多层网络即可创建非线性可分离的决策边界，使其适合直接部署在中端MCU上。Receptron模型支持连续的设备端自适应，并在基本数据集基准测试中展示了具有竞争力的准确性，使其成为动态环境中资源受限的神经形态边缘系统的可行替代方案。
-
PrototypeNAS 加速微控制器上的深度神经网络设计
研究人员开发了 PrototypeNAS，这是一种新颖的零样本神经架构搜索方法，旨在为微控制器单元 (MCU) 快速创建高效的深度神经网络 (DNN)。该方法自动化了 DNN 的选择、压缩和专业化，解决了现有 NAS 技术资源密集型的特性。PrototypeNAS 将 DNN 设计与训练分离，并利用零样本代理的集成以及超体积子集选择来优化准确性和 FLOPs，从而能够在现成的 MCU 上以与大型模型相当的性能进行部署。
-
TinyDéjàVu 框架大幅减少了微控制器上神经网络的 RAM 使用量
一个名为 TinyDéjàVu 的新框架已被开发出来，旨在显著降低微控制器上神经网络推理的 RAM 要求。与以前的方法相比，该框架可以将 RAM 使用量减少高达 90%，同时保持相似的计算延迟，使其对于电池供电的传感器设备来说非常高效。该实现是开源的，并且已在常见的微控制器硬件上进行了基准测试。
-
受半导体成本上升影响，电源管理集成电路面临涨价
半导体行业正经历电源管理集成电路（IC）的涨价，这主要是由晶圆制造和封装成本上升驱动，而非强劲的消费者需求。此前，微控制器（MCU）和驱动IC也出现了类似的涨价。与此同时，日产汽车计划缩减其横滨工厂的规模，此举可能会影响其国内零部件生产，并可能对其下一代固态电池试验产生影响，但完全关闭的可能性不大。