基於機器學習所解析架構之可重組態邊緣

隨著高精準度的人工智慧 (AI) 演算法變得極其複雜，邊緣裝置及物聯網 所產生的資料越來越大，具備彈性的可重新組態處理在卷積神經網路中對於設計低功率的高效智能邊緣系統是至關重要的，故此上述可重新組態設計將介紹於本提案中。在人工智慧中，解析演算法通常用於分析語音、聲音、圖像影音等。在本跨層級設計方法論中，不同的演算法實現將透過資料流圖 (dataflow graphs, DFG) 的形式來分析，加以提升效率及彈性以建構解析架構。擁有了演算法行為與架構資訊（包含軟體和硬體）， 本提案所引入的資料流圖提供了一種數學表達式，透過機器學習演算法，包含了譜圖理論及主成分分析，藉以同時探索演算法及架構之共同設計空間，透過擴增智慧以提高探索效率。此外，與傳統系統設計的線性差分方程式相比，資料流圖可以更好地描述運算邊緣平台以利系統性的分析，進而利用人工智慧提供彈性且有效率的運算資源管理。