ENAS：资源受限微控制器上 TinyML 的高效硬件感知神经架构搜索框架

arXiv:2609.30272v1 公告类型：新 摘要：我们提出 \textbf{ENAS}，这是一种硬件感知的神经架构搜索 (NAS) 框架，它结合了静态可行性检查、支持标准、深度可分离的基于单元的搜索空间以及具有可选跳过连接的瓶颈块，以及具有持久交叉运行缓存的三阶段混合搜索策略（随机 $\rightarrow$ top-$K$ $\rightarrow$ 突变）。与许多依赖 GPU 加速的现有 NAS 框架不同，ENAS 旨在无需 GPU 即可高效运行，使其适合资源受限的开发环境。我们在两个 TinyML 基准（Visual Wake Words 和 Melanoma Cancer）上评估 ENAS，涉及八个微控制器，内存占用范围从 20KB 到 1MB SRAM 和九种输入图像分辨率。我们的实验结果表明，ENAS 在视觉唤醒词和黑色素瘤癌症数据集上的平均搜索时间加速分别为 $2.41{\times}$ 和 $1.70{\times}$，同时与最新的 NanoNAS 框架相比，保持了有竞争力的测试准确性。测量的资源分析进一步表明，ENAS 选择的模型使用显着较低的峰值激活 RAM，这是以匹配精度部署微控制器的绑定约束。此外，ENAS 在基于 STM32H743 的微控制器上实现了 79.4%% 的测试精度，比仅使用贪婪 CPU 的基准高出 2.6% 个百分点。我们将 ENAS 框架开源发布于：https://github.com/EdgeIntelligenceLab/ENAS