To overcome the energy and bandwidth limitations of traditional IoT systems, “edge computing” or information extraction at the sensor node has become popular. However, now it is important to create very low energy information extraction or pattern recognition systems. In this paper, we present an approximate computing method to reduce the computation energy of a specific type of IoT system used for anomaly detection (e.g. in predictive maintenance, epileptic seizure detection, etc). Termed as Anomaly Detection Based Power Savings (ADEPOS), our proposed method uses low precision computing and low complexity neural networks at the beginning when it is easy to distinguish healthy data. However, on the detection of anomalies, the complexity of the network and computing precision are adaptively increased for accurate predictions. We show that ensemble approaches are well suited for adaptively changing network size. To validate our proposed scheme, a chip has been fabricated in UMC 65nm process that includes an MSP430 microprocessor along with an on-chip switching mode DC-DC converter for dynamic voltage and frequency scaling. Using NASA bearing dataset for machine health monitoring, we show that using ADEPOS we can achieve 8.95X saving of energy along the lifetime without losing any detection accuracy. The energy savings are obtained by reducing the execution time of the neural network on the microprocessor.

中文翻译：

---

ADEPOS：一种用于异常检测系统的新型近似计算框架及其在 65 纳米 CMOS 中的实现

为了克服传统物联网系统的能量和带宽限制，传感器节点的“边缘计算”或信息提取变得流行起来。然而，现在创建非常低能量的信息提取或模式识别系统很重要。在本文中，我们提出了一种近似计算方法，以减少用于异常检测（例如在预测性维护、癫痫发作检测等）中的特定类型物联网系统的计算能量。称为基于异常检测的节能（ADEPOS），我们提出的方法在开始时使用低精度计算和低复杂度神经网络，当很容易区分健康数据时。然而，在异常检测方面，网络的复杂度和计算精度自适应地增加，以实现准确的预测。我们表明集成方法非常适合自适应地改变网络大小。为了验证我们提出的方案，已采用 UMC 65nm 工艺制造了一个芯片，该芯片包括一个 MSP430 微处理器以及一个用于动态电压和频率缩放的片上开关模式 DC-DC 转换器。使用 NASA 轴承数据集进行机器健康监测，我们表明使用 ADEPOS 我们可以在整个生命周期内节省 8.95 倍的能源，而不会损失任何检测精度。节能是通过减少微处理器上神经网络的执行时间来实现的。一款采用联电 65 纳米工艺制造的芯片，包括一个 MSP430 微处理器以及一个用于动态电压和频率缩放的片上开关模式 DC-DC 转换器。使用 NASA 轴承数据集进行机器健康监测，我们表明使用 ADEPOS 我们可以在整个生命周期内节省 8.95 倍的能源，而不会损失任何检测精度。节能是通过减少微处理器上神经网络的执行时间来实现的。一款采用联电 65 纳米工艺制造的芯片，包括一个 MSP430 微处理器以及一个用于动态电压和频率缩放的片上开关模式 DC-DC 转换器。使用 NASA 轴承数据集进行机器健康监测，我们表明使用 ADEPOS 我们可以在整个生命周期内节省 8.95 倍的能源，而不会损失任何检测精度。节能是通过减少微处理器上神经网络的执行时间来实现的。