Россия
Представлен критический анализ современных методов энергоэффективного машинного обучения для встраиваемых систем обработки акустико-вибрационных сигналов. Рассмотрены аппаратно-алгоритмические архитектуры на базе 32-разрядных микроконтроллеров ARM Cortex-M (STM32U5, STM32H7, nRF52840), методы квантования и прореживания нейронных сетей, программные средства TensorFlow Lite for Microcontrollers и CMSIS-NN. Проанализированы практические реализации, демонстрирующие энергопотребление 50-150 мДж на цикл вычисления при точности классификации >95% на наборах данных ESC-10/ESC-50. Выявлены ограничения текущих подходов и определены перспективные направления исследований в области нейроморфных вычислений и распределённого обучения на периферии.
миниатюрное машинное обучение, встраиваемые системы, энергоэффективность, квантование нейронных сетей, обработка акустических сигналов, STM32U5, TensorFlow Lite, CMSIS-NN
1. Исследование способов защиты информации от утечки по акустическому и виброакустическому каналам / В. К. Зольников, С. А. Сазонова, А. И. Заревич, С. С. Башун // Моделирование систем и процессов. – 2025. – Т. 18, № 2. – С. 27-40. – DOIhttps://doi.org/10.12737/2219-0767-2025-18-2-27-40. – EDN GBWORY.
2. Применение нейронных сетей для оптимизации энергопотребления СБИС / А. В. Ачкасов, А. С. Ягодкин, Ф. В. Макаренко, Н. Ю. Заленская // Моделирование систем и процессов. – 2025. – Т. 18, № 1. – С. 7-16. – DOIhttps://doi.org/10.12737/2219-0767-2025-7-16. – EDN MQXMHM.
3. Сазонова, С. А. Исследование и разработка моделей проектирования микросхем цифровой обработки информации / С. А. Сазонова, К. В. Зольников, В. Ф. Асминин // Моделирование систем и процессов. – 2025. – Т. 18, № 3. – С. 89-99. – DOIhttps://doi.org/10.12737/2219-0767-2025-18-3-89-99. – EDN LGIGCI.
