本研究提出了一种名为Snowflake的编译器和定制硬件加速器，旨在优化卷积神经网络的性能，成功执行了AlexNet和ResNet18的推理任务。同时，介绍了TensorFlow Lite Micro框架，以解决嵌入式系统的资源限制问题。研究还探讨了TinyML和大型语言模型的部署技术，并提出了优化方法以提高能效和性能。

本文探讨了联邦边缘学习（FEEL）框架，强调数据隐私保护和能效优化。通过在边缘设备上进行本地模型训练，提出了节能策略和带宽分配方法，以提高学习性能和资源利用率。研究表明，优化策略能有效提升弱信道设备的同步更新和整体能效。

该研究利用强化学习方法优化地铁系统能效，实验结果显示该方法性能更佳，可降低能耗和提高能量利用率，提供城市铁路交通节能解决方案。