Hypnos répartit l’apprentissage continu entre un appareil RISC-V et un chargeur intelligent : l’appareil adapte le modèle pendant son fonctionnement, puis le chargeur consolide les mises à jour par replay. Les résultats rapportés portent sur un benchmark de classification, et la latence indiquée pour l’appareil ne comprend pas le travail du chargeur.
Pour évaluer un apprentissage en périphérie, regardez où se fait la consolidation : la latence de l’appareil ne résume pas le travail du chargeur.
Comment Hypnos répartit-il l’apprentissage entre l’appareil et le chargeur ?
Sur l’appareil, Hypnos met à jour des prototypes de classes et conserve des représentations compressées des données. Cette phase ne fait pas appel à la rétropropagation des erreurs, la méthode de calcul des gradients utilisée pour ajuster un modèle. Le chargeur intelligent reprend ensuite ces représentations, les rejoue pour consolider le modèle par des mises à jour de gradient, puis renvoie les paramètres actualisés à l’appareil.
Cette séparation réserve au microcontrôleur les mises à jour légères et confie le calcul plus lourd à un chargeur disposant d’une alimentation secteur et de davantage de mémoire. L’architecture décrite fonctionne sans serveur d’entraînement dans le cloud. Le résumé de l’étude Hypnos sur arXiv présente cette organisation en deux phases.
Quel modèle et quel matériel ont servi à l’évaluation ?
Le système décrit associe un extracteur de caractéristiques MobileNetV3-Large, maintenu fixe, à un classificateur en ligne fondé sur des prototypes et à un encodeur par quantification de produit. Cette dernière technique compresse les représentations conservées pour la phase de replay.
Les chercheurs indiquent avoir déployé Hypnos sur une FPGA ZCU104 et synthétisé la conception selon un procédé de 28 nm. Ce sont les conditions matérielles rapportées pour l’évaluation. Le résumé de l’étude les associe également au benchmark CORe50 NICv2-391. Le résumé sur arXiv décrit ces résultats dans le cadre de la recherche sur Hypnos.
Que mesurent les résultats rapportés ?
Sur CORe50 NICv2-391, les chercheurs rapportent une exactitude comprise entre 78,6 % et 81,6 % selon la précision des activations, ainsi qu’une latence sur l’appareil de 7,79 à 10,54 secondes par échantillon. Pour la valeur de 7,79 secondes, il s’agit du traitement sur l’appareil : la consolidation exécutée ensuite sur le chargeur n’est pas comprise. Le résumé de l’étude rapporte ces plages et leur dépendance à la précision des activations.
En comparaison avec la méthode dite de quantized latent replay, les chercheurs rapportent 3,8 fois moins d’étapes d’apprentissage et 22 fois moins de calcul consacré à l’apprentissage, avec une exactitude supérieure et une latence comparable. Ces mesures décrivent les résultats de cette comparaison sur le benchmark ; elles ne résument pas à elles seules le temps nécessaire aux deux phases de Hypnos.