SCAN-Edge：通过硬件感知进化搜索为多样化边缘设备寻找MobileNet速度混合网络
内容提要
该研究提出了一种新颖的硬件与软件协同框架，旨在高效进行神经架构搜索，优化神经架构和硬件配置。通过强化学习，该方法在ImageNet数据集上实现了更高的吞吐量和节能效果，并解决了资源受限平台上部署神经架构的挑战，显著提高了搜索效率和准确性。
延伸解读
硬件感知NAS的演进脉络
文章梳理了从2019年到2024年硬件感知神经架构搜索的发展。早期工作如HURRICANE和MONAS分别针对延迟优化和微控制器场景，后续研究逐渐关注多硬件部署、代理设备重用、编译器协同等方向。这一脉络显示，该领域正从单一硬件优化转向跨平台通用性和部署效率。
从通用模型到边缘专用设计
MobileNetV4等通用模型虽在移动CPU、DSP、GPU上达到Pareto最优，但MONAS等研究专门针对微控制器等资源受限设备，通过硬件延迟估计模型和专用指标，在保持精度的同时大幅提升推理速度。这表明边缘设备需要更精细的硬件-软件协同设计，而非简单移植通用模型。
搜索效率的突破与代价
MONAS将搜索效率提升1104倍，推理速度提升3.23倍，这得益于硬件延迟估计模型和专用性能指标，避免了大量训练评估。但这类方法依赖准确的延迟预测，若目标硬件与估计模型偏差较大，可能影响最终架构的实用性。因此，实际部署时需验证预测模型与真实硬件的匹配度。
Q&A
SCAN-Edge框架的主要目标是什么？
SCAN-Edge框架旨在高效进行神经架构搜索，优化神经架构和硬件配置，以实现最大测试精度和硬件效率。
HURRICANE算法的优势是什么？
HURRICANE算法在相同延迟限制下优于现有的基于硬件感知的神经架构搜索方法，具有更低的延迟和更高的准确性。
MONAS框架在搜索效率上提高了多少倍？
MONAS框架在搜索效率上提高了1104倍。
该研究如何解决资源受限平台的挑战？
该研究通过结合硬件延迟估计模型和专门的性能指标，识别最佳神经架构，无需大量训练和评估。
该研究使用了什么方法来提高搜索效率？
该研究使用了强化学习控制器来提高搜索效率，并在ImageNet数据集上实现了更高的吞吐量和节能效果。
SCAN-Edge框架的创新之处在哪里？
SCAN-Edge框架的创新在于其硬件与软件的协同探索，能够同时优化神经架构和硬件配置。
