Eciton: Very Low-Power LSTM Neural Network Accelerator for Predictive Maintenance at the Edge

This paper presents Eciton, a very low-power LSTM neural network accelerator for low-power edge sensor nodes, demonstrating real-time processing on predictive maintenance applications with a power consumption of 17 mW under load. Eciton reduces memory and chip resource requirements via 8-bit quantiz...

Celý popis

Podrobná bibliografie

Vydáno v:	International Conference on Field-programmable Logic and Applications s. 1 - 8
Hlavní autoři:	Chen, Jeffrey, Hong, Sehwan, He, Warrick, Moon, Jinyeong, Jun, Sang-Woo
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.08.2021
Témata:	CPS edge iCE40 IoT Lattices low power LSTM Memory management Neural networks Power demand Predictive Maintenance Quantization (signal) Wireless communication Wireless sensor networks
ISSN:	1946-1488
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!