💻 computer science

Co-Optimization of Analog Kolmogorov-Arnold Networks for Low-Power Function Approximation in Flexible Electronics

Cet article introduit des réseaux de Kolmogorov-Arnold analogiques (AKAN) optimisés par co-conception matériel-logiciel qui exploitent l'entraînement sensible aux circuits et l'élagage multiniveau pour atteindre jusqu'à 55 % d'économie de surface et 50 % d'économie de puissance tout en maintenant une grande précision pour l'approximation de fonctions complexes dans l'électronique flexible à ressources contraintes.

Auteurs originaux : Paula Carolina Lozano Duarte, Georgios Zervakis, Mehdi Tahoori, Sani Nassif

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Paula Carolina Lozano Duarte, Georgios Zervakis, Mehdi Tahoori, Sani Nassif

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez une montre connectée ou un capteur de santé qui doit effectuer des calculs sur les signaux de votre corps (comme votre rythme cardiaque ou votre taux de sueur) directement là où les données sont collectées. Habituellement, cela pose problème car effectuer des calculs complexes nécessite beaucoup d'énergie, et ces dispositifs minuscules et flexibles disposent de très peu de batterie à consacrer.

Ce document présente une solution ingénieuse appelée Réseaux de Kolmogorov-Arnold Analogiques (AKANs). Voici la décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

1. Le Problème : Le « Sac à Dos Pesant »

Pensez à l'informatique numérique traditionnelle comme à un sac à dos rempli de manuels scolaires lourds. Pour résoudre un problème mathématique, le capteur doit :

Prendre le signal brut (comme un battement de cœur).
Le traduire en nombres numériques (0 et 1) – c'est comme traduire une langue étrangère.
Calculer les nombres à l'aide d'un processeur numérique.
Retraduire la réponse.

Ce processus est lent et consomme beaucoup de batterie. Pour l'électronique flexible (comme un autocollant sur votre peau), porter ce « sac à dos pesant » est impossible.

2. La Solution : Le « Raccourci Analogique »

Les auteurs proposent d'effectuer les calculs directement dans le monde analogique (en utilisant l'électricité circulant à travers les fils) avant même qu'elle ne devienne un nombre numérique.

L'analogie : Au lieu de traduire une langue étrangère pour ensuite faire le calcul, on effectue simplement le calcul en utilisant les sons et les tons de la langue elle-même. C'est plus rapide et cela consomme moins d'énergie.
L'outil : Ils utilisent un type spécifique de structure mathématique appelé Réseau de Kolmogorov-Arnold (KAN). Imaginez un KAN comme un ensemble de bandes élastiques flexibles (appelées « splines ») qui peuvent être façonnées pour épouser presque n'importe quelle courbe ou motif dans les données.

3. L'Innovation : « Élaguer le Gras »

Le grand défi de ces circuits analogiques est qu'ils ne sont pas parfaits. Tout comme un trait dessiné à la main n'est pas parfaitement droit, les composants électriques présentent de minuscules erreurs dues à la fabrication. De plus, les circuits peuvent être encombrants.

Les auteurs ont développé une méthode de Co-optimisation Matériel-Logiciel. Considérez cela comme un processus en deux étapes :

Étape 1 : La Simulation (L'« Essai Routier ») : Ils ont construit un jumeau numérique de leur circuit physique et ont lancé des milliers de simulations pour voir exactement comment les « bandes élastiques » se comportaient dans le monde réel, y compris avec toutes les imperfections minuscules.
Étape 2 : L'Élagage (La « Sculpture ») : Ils ont réalisé que certaines parties des mathématiques n'étaient pas réellement nécessaires.
- Imaginez une sculpture faite d'argile. Certaines parties de l'argile sont essentielles à la forme, mais d'autres ne sont que du poids excédentaire.
- Les auteurs ont « élagué » (supprimé) des termes mathématiques spécifiques (coefficients) qui contribuaient très peu à la forme finale mais occupaient beaucoup d'espace et de puissance.
- Le rebondissement : Habituellement, supprimer des parties d'un modèle le rend moins précis. Mais ici, parce qu'ils ont entraîné le réseau en sachant exactement à quoi ressemblerait le circuit « défectueux », supprimer les parties inutiles a en fait rendu le résultat final plus précis. C'est comme retirer un pied bancal à une table ; la table devient plus stable.

4. Les Résultats : Plus Léger, Plus Rapide et Meilleur

Ils ont testé cela sur des données réelles, telles que des moniteurs de fréquence cardiaque (ECG/PPG) et la consommation électrique domestique. Les résultats sont impressionnants :

Taille : Ils ont réduit la taille physique du circuit jusqu'à 55 % (comme réduire un sac à dos à la taille d'un portefeuille).
Énergie : Ils ont réduit la consommation d'énergie jusqu'à 50 % (doublant ainsi l'autonomie de la batterie).
Précision : Étonnamment, la version élaguée et plus petite était souvent plus précise que la version complète et non élaguée, car elle éliminait le « bruit » causé par les parties inutiles.

5. Pourquoi c'est important pour l'électronique flexible

L'électronique flexible (fabriquée par exemple avec des plastiques spéciaux ou des feuilles métalliques) est excellente pour les objets connectés, mais elle est fragile et possède des limites strictes concernant la puissance qu'elle peut utiliser.

Les auteurs ont montré que leur méthode fonctionne parfaitement sur la technologie IGZO (un type de transistor flexible).
Ils ont prouvé que même si la température change ou si la fabrication n'est pas parfaite (ce qui arrive avec les puces flexibles), le système reste stable et précis.

Résumé

En bref, les auteurs ont construit un « sculpteur intelligent » pour les circuits électroniques. Ils ont pris un outil mathématique complexe, ont simulé son comportement sur une puce flexible, puis ont soigneusement découpé les pièces inutiles. Le résultat est un circuit minuscule, à ultra-basse consommation, capable d'effectuer des calculs complexes sur les signaux de votre corps sans vider votre batterie, et il fonctionne en fait mieux parce qu'il est plus simple.

Résumé technique : Co-optimisation de réseaux de Kolmogorov-Arnold analogiques pour l'approximation de fonctions à faible consommation dans l'électronique flexible

Énoncé du problème
Les dispositifs portables et les capteurs de l'Internet des Objets (IoT) nécessitent de plus en plus un traitement de données sur site pour les signaux biologiques et environnementaux. Ces tâches impliquent des opérations exigeantes en termes de calcul, telles que les fonctions d'activation non linéaires, les courbes de calibration de capteurs et le prétraitement de signaux (par exemple, la compression logarithmique, les opérations de puissance). L'implémentation de ces fonctions de manière numérique entraîne souvent un surcoût énergétique important dû à la conversion analogique-numérique (CAN) et au traitement numérique ultérieur. Bien que l'électronique flexible (EF) offre une plateforme prometteuse pour les applications portables en raison de sa flexibilité mécanique et de sa fabrication à bas coût, elle impose des contraintes strictes sur la densité des circuits et la consommation d'énergie. De plus, les implémentations analogiques sont vulnérables au bruit, aux variations de processus et aux déséquilibres de composants, ce qui peut dégrader la précision de l'approximation si les non-idéalités matérielles ne sont pas explicitement prises en compte lors de la conception du modèle. Les approches existantes, telles que le calcul en mémoire basé sur la RRAM ou les techniques basées sur les polynômes, font face à des limitations concernant la variabilité des dispositifs, la demande énergétique ou le manque d'optimisation spécifique pour les plateformes d'EF.

Méthodologie
Les auteurs proposent des Réseaux de Kolmogorov-Arnold Analogiques (AKAN), développés via une méthodologie de co-optimisation matériel-logiciel. Le cœur de cette approche est une boucle de conception unifiée qui intègre la simulation de circuits, la modélisation d'erreurs et l'élagage des paramètres.

Architecture matérielle : L'AKAN est implémenté à l'aide de transistors à couches minces (TFT) en oxyde d'indium-gallium-zinc (IGZO), une technologie unipolaire adaptée à l'EF. Le réseau utilise des blocs de construction analogiques (ABB) pour construire des splines quadratiques représentant la fonction $B(x) = k_0 + k_1x + k_2x^2$ . Ces splines sont interconnectées via des opérations d'accumulation de multiplications (MAC) utilisant des résistances pour assigner les poids.
Modélisation d'erreur tenant compte du matériel : Contrairement aux travaux antérieurs qui supposent un comportement idéal ou utilisent des distributions d'erreurs statistiques, ce travail dérive une fonction d'erreur continue et dépendante de l'entrée ( $\hat{\epsilon}_{hardware}(x)$ ) directement à partir de simulations transitoires SPICE des circuits IGZO. Ce modèle capture les non-idéalités systématiques du matériel à travers tout l'espace des coefficients ( $k_0, k_1, k_2$ ).
Élagage au niveau des coefficients : La méthodologie introduit une stratégie d'élagage qui opère au niveau de chaque coefficient polynomial individuel plutôt qu'au niveau des neurones ou des splines entières. Supprimer un coefficient (par exemple, fixer $k_1$ à zéro) correspond à la suppression physique de blocs de circuits spécifiques (multiplicateurs, carrés ou additionneurs).
Entraînement de co-conception : Le processus d'élagage est intégré dans la boucle d'entraînement KAN. Pour chaque configuration d'élagage, l'erreur matérielle correspondante est injectée dans l'objectif d'entraînement sous forme de bruit additif ( $f_{target}(x) = f_{ideal}(x) + \hat{\epsilon}_{hardware}(x)$ ). Cela permet au réseau d'apprendre des configurations de paramètres qui restent robustes sous des conditions de fonctionnement réalistes et des contraintes d'élagage spécifiques.

Principales contributions
Le document identifie trois contributions principales :

Modélisation d'erreur matérielle dépendante de la technologie : La dérivation de fonctions d'erreur continues dépendant de l'entrée directement à partir de simulations transitoires SPICE de circuits de transistors TFT IGZO unipolaires, capturant les non-idéalités matérielles systématiques dans un processus d'EF commercialement pertinent.
Élagage des coefficients au niveau du bloc de circuit : Une méthodologie d'élagage qui opère sur les coefficients polynomiaux individuels ( $k_0, k_1, k_2$ ) de chaque spline quadratique. Cette approche permet la suppression physique de blocs de circuits, traduisant directement les décisions logicielles en économies de surface et de puissance matérielles.
Validation pilotée par les applications : Évaluation complète sur quatre jeux de données (PPG-DaLiA, ECG5000, Individual Household Electric Power Consumption, et Iris) couvrant les scénarios de surveillance biomédicale et de détection pertinents pour le déploiement en EF.

Résultats
Le cadre proposé a été validé par des simulations SPICE approfondies et des expériences d'entraînement :

Efficacité matérielle : L'élagage des coefficients individuels a entraîné des économies matérielles significatives. Les meilleurs scénarios ont démontré jusqu'à 55 % de réduction de surface et 50 % de réduction de puissance par rapport à la référence non élaguée. En moyenne, les réductions sur l'ensemble des jeux de données sont proches de 30 % pour ces deux métriques.
Améliorations de la précision : Contrairement à l'attente selon laquelle l'élagage dégrade les performances, les résultats ont montré que l'élagage pouvait améliorer la précision de l'approximation. La suppression de coefficients proches de zéro a agi comme un régularisateur implicite, réduisant la sensibilité du modèle au surapprentissage et au bruit matériel. Dans plusieurs cas, l'AKAN élagué a obtenu un NMPE (Erreur Moyenne en Pourcentage Normalisée) inférieur à celui de la référence non élaguée.
Robustesse : Une analyse PVT (Processus, Tension, Température) à travers 27 coins de fonctionnement a confirmé que l'entraînement tenant compte du matériel compense les décalages systématiques. Le NMPE est resté stable dans la plage de température des objets connectés (27–40 °C), avec un écart maximal de seulement 0,74 point de pourcentage par rapport aux conditions nominales.
Performance en aval : Lors de l'évaluation sur des tâches en aval (classification pour ECG5000 et Iris ; reconstruction de signal pour IHEPC et PPG-DaLiA), les AKAN élagués ont maintenu des performances comparables à la référence non élaguée et aux KAN idéaux uniquement logiciels. Dans les tâches de reconstruction de signal, les meilleures configurations élaguées ont même surpassé la référence matérielle non élaguée, réduisant le NRMSE jusqu'à 33 %.

Signification
Le document affirme que ce travail établit un cadre robuste et généralisable pour l'approximation de fonctions analogiques à faible consommation dans l'électronique flexible. En tenant explicitement compte des contraintes de circuit lors de l'entraînement et en employant une stratégie d'élagage au niveau des coefficients, les AKAN proposés répondent au compromis critique entre efficacité matérielle et précision d'approximation. Les résultats démontrent que la réduction stratégique des paramètres ne se contente pas d'économiser des ressources, mais peut améliorer la capacité de généralisation des réseaux neuronaux analogiques, les rendant viables pour des applications de détection en temps réel et à ressources limitées dans les objets connectés et les dispositifs portables. Cette approche offre une voie pour implémenter des fonctions non linéaires complexes directement dans le matériel analogique sans les coûts prohibitifs de surface et de puissance typiquement associés à de telles implémentations dans les technologies d'EF.