多所高校与Meta合作开发面向AR/VR的混合AI模型异构计算方案

PICO 4 Ultra

查看引用/信息源请点击:映维网Nweon

实现高效的混合模型执行

映维网Nweon 2025年09月01日)低延迟与低功耗的边缘AI对于增强/虚拟现实应用至关重要。 近期进展表明,结合卷积神经网络和ViT的混合机器学习模型,通常能实现更优的精度/性能权衡。然而,混合ML模型由于其数据流和内存访问模式的多样性,可能会在延迟和能效方面带来系统性的挑战。

在一项研究中,卡内基梅隆大学,Meta,纽约大学,以及康奈尔大学纽约科技校区团队利用神经处理单元和CIM的架构异构性,并探索多样化的执行方案以实现高效的混合模型执行。

团队提出了H4H-NAS,这是一个两阶段的神经架构搜索(NAS)框架,用于自动设计面向同时具备NPU和CIM的异构边缘系统的混合CNN/ViT模型。他们在NAS中提出了一个两阶段的增量式超网训练方法以提高模型精度。H4H-NAS方法同时配备了一个性能估算器,而所述估算器基于真实硅芯片测量的NPU性能结果以及基于行业IP的CIM性能数据。H4H-NAS在ImageNet-1k分类任务上实现了显著的(最高达1.34%)Top-1精度提升,以及最高达56.08%的整体延迟降低和41.72%的能耗降低。

多所高校与Meta合作开发面向AR/VR的混合AI模型异构计算方案

......(全文 2261 字,剩余 1879 字)


请微信扫码通过小程序阅读完整文章
或者登入网站阅读完整文章
映维网会员可直接登入网站阅读
PICO员工可联系映维网免费获取权限

本文链接https://news.nweon.com/132135
转载须知:转载摘编需注明来源映维网并保留本文链接
素材版权:除额外说明,文章所用图片、视频均来自文章关联个人、企业实体等提供
QQ交流群苹果Vision  |  Meta Quest  |  AR/VR开发者  |  映维粉丝读者
XR 招聘Job
XR Research Wechat Group/微信群

您可能还喜欢...

资讯