ArKANe：在可重构空间架构上加速Kolmogorov–Arnold网络

《IEEE Embedded Systems Letters》：ArKANe: Accelerating Kolmogorov–Arnold Networks on Reconfigurable Spatial Architectures

可解释机器学习模型Kolmogorov–Arnold网络（KANs）在嵌入式设备上的加速实现，通过AMD-Xilinx Versal自适应芯片的流式处理架构和波前架构优化B样条计算，实验表明在VCK-190设备上批量处理时性能提升11倍和60倍，能效比GPU高3倍以上，为边缘设备非传统ML算法提供新路径。

　　

摘要：

柯尔莫哥洛夫-阿诺德网络（KANs）在嵌入式设备上的可解释机器学习（ML）领域具有巨大潜力。尽管KANs所需的模型参数较少，且规模比传统的深度神经网络更小，但其应用受到每个神经元中使用的基样条（B样条）函数复杂性的限制。因此，本文提出了一种针对基于数据流处理的加速器的KANs加速技术，这些加速器实现了在AMD-Xilinx Versal自适应系统芯片上的部署。我们在VCK-190设备上的实验表明，对于大规模批量处理，采用收缩架构和波前架构进行B样条计算的性能比标准CPU实现高出11倍和60倍。另一方面，波前加速器在能耗方面相比GPU（RTX 3090）提升了超过3倍。因此，本文为嵌入式系统中非传统ML算法的空间加速器开辟了新的应用前景。本文的代码和实验结果可在此链接获取：https://github.com/SPIRE-GMU/SPIRE-ARKANE。

引言

近年来，柯尔莫哥洛夫-阿诺德网络（KAN）的进步使其成为替代传统深度神经网络（DNNs）进行可解释机器学习（ML）任务的强有力竞争者，这些任务包括符号回归、偏微分方程求解和持续学习[1]。KAN模型体积更小，同时能够提供更高的准确性、更高效的训练速度和更快的推理速度。因此，基于KAN的学习解决方案可以为边缘设备带来一种新的可解释机器智能范式。