Edge Intelligence Lab 发布 ENAS:面向 TinyML 的高效硬件感知神经网络架构搜索框架
摘要:Edge Intelligence Lab 推出 ENAS,这是一款专为资源受限的微控制器设计的硬件感知神经网络架构搜索(NAS)框架。ENAS 通过静态可行性检查、基于单元的搜索空间以及三阶段混合搜索策略(随机 → top-K → 变异),实现了在无需 GPU 加速的情况下高效运行。实验结果表明,ENAS 在 Visual Wake Words 和 Melanoma Cancer 数据集上分别实现了 2.41 倍和 1.70 倍的搜索时间加速,同时在 STM32H743 微控制器上达到了 79.4% 的测试准确率,超过了传统 CPU 基准方法。ENAS 的开源发布为资源受限设备上的 AI 模型优化提供了重要工具。
核心突破
- 硬件感知架构搜索:ENAS 专为资源受限的微控制器设计,无需 GPU 加速即可高效运行。
- 三阶段混合搜索策略:结合随机搜索、top-K 选择和变异机制,提升搜索效率。
- 跨运行缓存机制:通过持久化缓存减少重复计算,进一步加速搜索过程。
技术亮点
- 静态可行性检查:在搜索过程中实时评估模型在硬件上的可行性,确保生成的模型适用于目标微控制器。
- 基于单元的搜索空间:支持标准、深度可分离和瓶颈块,并可选择添加跳跃连接,提供了灵活的模型设计空间。
- 资源优化:ENAS 选定的模型在峰值激活 RAM 使用上显著降低,这对于微控制器部署至关重要。
实验结果
- 在 Visual Wake Words 和 Melanoma Cancer 数据集上,ENAS 分别实现了 2.41 倍和 1.70 倍的搜索时间加速。
- 在 STM32H743 微控制器上,ENAS 达到了 79.4% 的测试准确率,比传统的 CPU 基准方法高出 2.6 个百分点。
行业影响与开发者建议
- TinyML 领域的突破:ENAS 为资源受限设备上的 AI 模型优化提供了新的解决方案,推动了 TinyML 的发展。
- 开源优势:ENAS 的开源发布降低了开发者进入门槛,鼓励更多研究人员和工程师在资源受限环境中探索 AI 应用。
- 硬件适配性:建议开发者根据具体硬件平台调整 ENAS 的搜索策略,以实现最佳性能。
未来展望
ENAS 的发布标志着硬件感知 NAS 框架在 TinyML 领域的重大进展。随着 AI 在物联网和边缘计算中的应用日益广泛,ENAS 有望成为优化 AI 模型的重要工具。
—— 完 ——消息来源:ArXiv Machine Learning (cs.LG) (2026-09-28)
主题标签: #TinyML #NAS #Edge Intelligence #开源框架 #资源优化
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区