Des Chercheurs de l'Universite de Pekin Realisent une Amelioration de 30% de la Duree de Vie des Batteries pour les Systemes d'IA Incarnee grace au Cadre CREATE

Des chercheurs de l'Ecole des Circuits Integres et de l'Ecole EECS de l'Universite de Pekin ont identifie un defi critique dans le deploiement des systemes d'IA incarnee: les demandes computationnelles substantielles, en particulier pour les appareils portables alimentes par batterie. Leur travail revolutionnaire presente CREATE, un nouveau cadre de resilience multicouche qui optimise synergetiquement l'utilisation de l'energie et la fiabilite. Le cadre CREATE realise des gains d'efficacite energetique remarquables: jusqu'a 40,6% d'economies d'energie de calcul et une reduction de 37,3% de la consommation d'energie au niveau de la puce, prolongeant finalement la duree de vie des batteries jusqu'a 30%. Cette recherche represente une etape significative vers des agents d'IA incarnee pratiques, robustes et efficaces capables de fonctionner dans des environnements du monde reel. Les systemes modernes d'IA incarnee integrent frequemment un planificateur base sur un Grand Modele de Langage (LLM) pour la gestion de taches de haut niveau avec un controleur base sur l'apprentissage par renforcement (RL) pour une execution precise des actions, permettant aux agents de naviguer dans des scenarios complexes du monde reel. Le cœur de CREATE reside dans trois innovations clefs: la detection et l'elimination des anomalies au niveau du circuit pour supprimer les grandes erreurs induites par les violations de synchronisation, la planification amelioree par rotation des poids au niveau du modele pour redistribuer les activations du LLM, et l'ajustement dynamique de la tension adaptatif a l'autonomie au niveau de l'application pour ajuster dynamiquement la tension de fonctionnement du controleur. Une experimentation approfondie a confirme que CREATE realise ces reductions substantielles d'energie sans compromettre la fiabilite ou les performances des agents d'IA incarnee dans des taches complexes. Les auteurs reconnaissent des limitations, notamment l'utilisation d'un modele d'erreur uniforme et la quantification INT8, qui peuvent ne pas capturer pleinement la complexite des distributions d'erreur du monde reel.