WASP: Effizientes Energiemanagement für workload-bewusste, selbstbetriebene AIoT-Geräte

Die breite Annahme von Edge-AI hat die Nachfrage nach verschiedenen batterielosen und wartungsfreien intelligenten Systemen erhöht. Dennoch zeigen aufkommende Künstliche Intelligenz der Dinge (AIoT) komplexe Workloads, die einen erhöhten Energiebedarf, diversifizierte Energie-Nutzungsmuster und eine einzigartige Sensibilität gegenüber Energiemanagementansätzen (PM) aufweisen. Bestehende AIoT-Geräte können nicht den geeignetsten PM-Anpassungsregler auswählen und treffen daher oft suboptimale Entscheidungen. Darüber hinaus gehen diese PM-Lösungen immer von traditionellen Energie-Regelkreisen aus, was nicht unerhebliche Energieverluste und Steuerungsüberhead mit sich bringt. Dies kann das Potenzial der Effizienz von AIoT erheblich beeinträchtigen. In diesem Papier untersuchen wir die Optimierung des Energiemanagements für aufkommende selbstbetriebene AIoT-Geräte. Wir schlagen WASP vor, ein hocheffizientes Energiemanagement-Schema für workload-bewusste, selbstbetriebene AIoT-Geräte. Die Neuheit von WASP ist zweifach. Erstens kombiniert es Offline-Profilierung und leichtgewichtige Online-Steuerung, um die geeignetsten PM-Anpassungsregler für die gegebenen DNN-Modelle auszuwählen. Zweitens ist es gut auf ein rekonfigurierbares Spannungsregelmodul abgestimmt, das das begrenzte Energie-Budget optimal nutzen kann. Unsere Ergebnisse zeigen, dass WASP es AIoT-Geräten ermöglicht, 65,6% mehr Inferenzaufgaben unter einem strengen Energie-Budget ohne jegliche Leistungsminderung im Vergleich zu anderen bestehenden Ansätzen zu erfüllen.