NAS Hardware-Aware con Quantizzazione Post-Addestramento per l'IA Edge

Un nuovo articolo arXiv (2608.13293) propone un pipeline in tre fasi per la Neural Architecture Search (NAS) hardware-aware che integra la quantizzazione post-addestramento (PTQ) e l'esplorazione automatica dell'hardware per la distribuzione dell'IA edge. La prima fase utilizza un surrogato di rango di Pareto hardware-agnostico su NAS-Bench-201 per classificare in modo efficiente le architetture. La seconda fase applica un ponte di quantizzazione con filtraggio Pareto-aware e controllo di feedback, affrontando la mancanza di attenzione analitica sugli effetti della PTQ sulle strutture di Pareto scoperte dalla NAS. La terza fase impiega un'esplorazione evolutiva di acceleratori specifici del dominio per mappare le architetture quantizzate su hardware riconfigurabile. L'articolo mira a disaccoppiare la progettazione dell'architettura e della quantizzazione, riducendo la complessità di ricerca mantenendo accuratezza, efficienza e implementabilità hardware. Evidenzia il divario nei metodi esistenti che accoppiano strettamente architettura e quantizzazione, e propone una strategia di quantizzazione post-ricerca più semplice. Il lavoro è rilevante per il crescente campo dell'IA edge, dove le reti neurali devono essere simultaneamente accurate, computazionalmente efficienti e implementabili su hardware.