エッジAI向けFPGA高速化モデルリカバリ

本論文は、リソース制約のあるエッジデバイスでの物理AIの実現という課題に取り組んでいます。自律システムにとって重要なコンポーネントであるモデルリカバリ（MR）のための、FPGA高速化フレームワークであるMERINDAを紹介しています。重要な貢献は、計算コストの高いNeural ODEを、FPGAでのストリーミング並列処理に最適化された設計に置き換えるハードウェアフレンドリーなフォーミュレーションです。このアプローチにより、GPU実装と比較して、エネルギー効率、メモリフットプリント、およびトレーニング速度が大幅に向上し、精度も維持されます。これは、エッジデバイスでの自律システムのリアルタイムモニタリングをより実用的にするため、重要です。

• •MERINDAは、モデルリカバリ（MR）のためのFPGA高速化フレームワークです。
• •計算コストの高いNeural ODEを、ハードウェアフレンドリーなフォーミュレーションに置き換えます。
• •MERINDAは、GPU実装と比較して、エネルギー効率、メモリフットプリント、およびトレーニング速度の大幅な改善を実現します。
• •このフレームワークは、エッジデバイスでの自律システムのリアルタイムモニタリング向けに設計されています。