Личный кабинет
Подробное описание документа
Ачкасов А. В.
Анализ эффективности методов квантования для оптимизации машинного обучения на микроконтроллерах для ресурсно-ограниченных встраиваемых систем / Ачкасов А. В., Ягодкин А. С., Макаренко Ф. В. // Вестник МГТУ им. Н. Э. Баумана. Сер. Приборостроение. - 2026. - № 1. -
Скачать документ
Представлены результаты комплексного анализа методов квантования, направленных на оптимизацию моделей машинного обучения для развертывания в условиях ограниченных ресурсов TinyML. Рассмотрены различные схемы квантования, включая равномерное, логарифмическое и обученное квантование и оценено их влияние на производительность разных нейросетевых архитектур, таких как MobileNetV1/V2, ResNet-50, ShuffleNetV2 и Mamba. Результаты экспериментов показывают, что переход от 32-битных чисел с плавающей запятой к 8-битным целочисленным представлениям позволяет уменьшить размер моделей в 4 раза, при этом потеря точности составляет менее 2 %. Гибридные схемы смешанной точности демонстрируют оптимальный баланс между степенью сжатия и сохранением точности. Измерения, проведенные на платформе STM32U5, подтверждают значительное снижение энергопотребления (в 4,3 раза) при использовании 8-битного квантования. Предложены практические рекомендации по выбору оптимальных схем квантования в зависимости от аппаратных ограничений и специфики решаемой задачи. Обозначены перспективные направления дальнейших исследований, в частности, интеграция алгоритмов обучения с подкреплением для динамического выбора битности и разработка методов аппаратно-программной ко-оптимизации для отечественных микроконтроллеров (К1879ВГ1Т) Просьба ссылаться на эту статью следующим образом: Ачкасов А.В., Ягодкин А.С., Макаренко Ф.В. Анализ эффективности методов квантования для оптимизации машинного обучения на микроконтроллерах для ресурсно-ограниченных встраиваемых систем. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2026, № 1 (154), с. 59–79. EDN: EYNMRJ
Статья опубликована в следующих изданиях
№ 1. - 2026.
