Valutazione RISC-V delle KAN in Modelli Fisici Ricorrenti con Vincoli Rigidi
Uno studio recente pubblicato su arXiv (2608.00737) esamina l'uso delle Reti di Kolmogorov-Arnold (KAN) come componenti residue all'interno di reti neurali fisiche ricorrenti con vincoli rigidi (HRPINN) su una piattaforma RISC-V. Questa ricerca si basa su precedenti confronti tra KAN e percettroni multistrato (MLP) riguardo all'accuratezza di scoperta, concentrandosi ora su se l'efficienza parametrica delle KAN porti a migliori prestazioni di esecuzione. Gli autori hanno valutato la latenza di esecuzione, il consumo energetico per passo di integrazione e l'affidabilità durante la quantizzazione post-addestramento utilizzando gli stessi pesi addestrati in un ciclo ricorrente chiuso. Gli esperimenti sono stati condotti su un StarFive VisionF, una piattaforma RISC-V RV64GC priva di estensioni vettoriali. Questo annuncio di tipo incrociato evidenzia risultati significativi per l'edge computing e le applicazioni AI embedded che affrontano limitazioni di risorse.
Fatti principali
- Il documento arXiv:2608.00737 valuta le KAN nelle HRPINN su RISC-V.
- Lo studio misura la latenza di esecuzione, l'energia per passo di integrazione e l'affidabilità sotto quantizzazione post-addestramento.
- Gli esperimenti sono stati condotti su StarFive VisionF, una piattaforma RISC-V RV64GC senza estensioni vettoriali.
- Le KAN utilizzano attivazioni B-spline apprendibili, differendo dai MLP.
- Lavori precedenti hanno caratterizzato quando le KAN eguagliano o sono inferiori ai MLP in accuratezza di scoperta.
- Il documento chiede se l'efficienza parametrica sopravvive alla distribuzione.
- Lo studio utilizza pesi addestrati identici per il confronto.
- Il documento è un annuncio di tipo incrociato su arXiv.
Entità
Istituzioni
- arXiv