Buchumschlag

Enabling Physical AI at the Edge: Hardware-Accelerated Recovery of System Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Bin, Banerjee, Ayan, Gupta, Sandeep
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Hardware Architecture
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hardware Software Optimizations for Fast Model Recovery on Reconfigurable Architectures
von: Xu, Bin, et al.
Veröffentlicht: (2025)

MC$^2$A: Enabling Algorithm-Hardware Co-Design for Efficient Markov Chain Monte Carlo Acceleration
von: Zhao, Shirui, et al.
Veröffentlicht: (2025)

Position Paper: From Edge AI to Adaptive Edge AI
von: Pittorino, Fabrizio, et al.
Veröffentlicht: (2026)

Enabling Unstructured Sparse Acceleration on Structured Sparse Accelerators
von: Jeong, Geonhwa, et al.
Veröffentlicht: (2024)

AIRCHITECT v2: Learning the Hardware Accelerator Design Space through Unified Representations
von: Seo, Jamin, et al.
Veröffentlicht: (2025)

Hardware/Software Co-Design of RISC-V Extensions for Accelerating Sparse DNNs on FPGAs
von: Sabih, Muhammad, et al.
Veröffentlicht: (2025)

AccLLM: Accelerating Long-Context LLM Inference Via Algorithm-Hardware Co-Design
von: Liang, Yanbiao, et al.
Veröffentlicht: (2025)

AdAM: Adaptive Fault-Tolerant Approximate Multiplier for Edge DNN Accelerators
von: Taheri, Mahdi, et al.
Veröffentlicht: (2024)

Design Rules for Extreme-Edge Scientific Computing on AI Engines
von: Ma, Zhenghua, et al.
Veröffentlicht: (2026)

Heterogeneous Acceleration Pipeline for Recommendation System Training
von: Adnan, Muhammad, et al.
Veröffentlicht: (2022)

SPARQ: Spiking Early-Exit Neural Networks for Energy-Efficient Edge AI
von: Patne, Parth, et al.
Veröffentlicht: (2026)

TRAM: Training Approximate Multiplier Structures for Low-Power AI Accelerators
von: Meng, Chang, et al.
Veröffentlicht: (2026)

eIQ Neutron: Redefining Edge-AI Inference with Integrated NPU and Compiler Innovations
von: Bamberg, Lennart, et al.
Veröffentlicht: (2025)

Architect in the Loop Agentic Hardware Design and Verification
von: Mohammed, Mubarek
Veröffentlicht: (2025)

ML For Hardware Design Interpretability: Challenges and Opportunities
von: Baartmans, Raymond, et al.
Veröffentlicht: (2025)

MATADOR: Automated System-on-Chip Tsetlin Machine Design Generation for Edge Applications
von: Rahman, Tousif, et al.
Veröffentlicht: (2024)

VUSA: Virtually Upscaled Systolic Array Architecture to Exploit Unstructured Sparsity in AI Acceleration
von: Helal, Shereef, et al.
Veröffentlicht: (2025)

ALADIN: Accuracy-Latency-Aware Design-space Inference Analysis for Embedded AI Accelerators
von: Baldi, T., et al.
Veröffentlicht: (2026)

ElasticAI: Creating and Deploying Energy-Efficient Deep Learning Accelerator for Pervasive Computing
von: Qian, Chao, et al.
Veröffentlicht: (2024)

tuGEMM: Area-Power-Efficient Temporal Unary GEMM Architecture for Low-Precision Edge AI
von: Nair, Harideep, et al.
Veröffentlicht: (2024)

Learning to Compare Hardware Designs for High-Level Synthesis
von: Bai, Yunsheng, et al.
Veröffentlicht: (2024)

Challenges and Research Directions for Large Language Model Inference Hardware
von: Ma, Xiaoyu, et al.
Veröffentlicht: (2026)

ConSmax: Hardware-Friendly Alternative Softmax with Learnable Parameters
von: Liu, Shiwei, et al.
Veröffentlicht: (2024)

HDReason: Algorithm-Hardware Codesign for Hyperdimensional Knowledge Graph Reasoning
von: Chen, Hanning, et al.
Veröffentlicht: (2024)

Hardware Efficient Approximate Convolution with Tunable Error Tolerance for CNNs
von: Shashidhar, Vishal, et al.
Veröffentlicht: (2026)

On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks
von: Huang, Wei, et al.
Veröffentlicht: (2023)

MixPE: Quantization and Hardware Co-design for Efficient LLM Inference
von: Zhang, Yu, et al.
Veröffentlicht: (2024)

Dynamic Co-Optimization Compiler: Leveraging Multi-Agent Reinforcement Learning for Enhanced DNN Accelerator Performance
von: Fayyazi, Arya, et al.
Veröffentlicht: (2024)

Extending Straight-Through Estimation for Robust Neural Networks on Analog CIM Hardware
von: Feng, Yuannuo, et al.
Veröffentlicht: (2025)

COGNATE: Acceleration of Sparse Tensor Programs on Emerging Hardware using Transfer Learning
von: Sudusinghe, Chamika, et al.
Veröffentlicht: (2025)

HPD: Hybrid Projection Decomposition for Robust State Space Models on Analog CIM Hardware
von: Feng, Yuannuo, et al.
Veröffentlicht: (2025)

SVAgent: AI Agent for Hardware Security Verification Assertion
von: Guo, Rui, et al.
Veröffentlicht: (2025)

Enabling Efficient Processing of Spiking Neural Networks with On-Chip Learning on Commodity Neuromorphic Processors for Edge AI Systems
von: Putra, Rachmad Vidya Wicaksana, et al.
Veröffentlicht: (2025)

AIM: Software and Hardware Co-design for Architecture-level IR-drop Mitigation in High-performance PIM
von: Zhang, Yuanpeng, et al.
Veröffentlicht: (2025)

Accelerating LLM Inference with Flexible N:M Sparsity via A Fully Digital Compute-in-Memory Accelerator
von: Ramachandran, Akshat, et al.
Veröffentlicht: (2025)

Runtime Tunable Tsetlin Machines for Edge Inference on eFPGAs
von: Rahman, Tousif, et al.
Veröffentlicht: (2025)

Agent Factories for High Level Synthesis: How Far Can General-Purpose Coding Agents Go in Hardware Optimization?
von: Bhandwaldar, Abhishek, et al.
Veröffentlicht: (2026)

It's all about PR -- Smart Benchmarking AI Accelerators using Performance Representatives
von: Jung, Alexander Louis-Ferdinand, et al.
Veröffentlicht: (2024)

Deep Learning-Based Anomaly Detection in Spacecraft Telemetry on Edge Devices
von: Goetze, Christopher, et al.
Veröffentlicht: (2026)

LEGO: Spatial Accelerator Generation and Optimization for Tensor Applications
von: Lin, Yujun, et al.
Veröffentlicht: (2025)