Intermitterende computing voor de extreme edge in beyond 5G-netwerken

Extreme edge computing gaat ervan uit dat significante verwerking kan worden uitgevoerd op de sensoren. Idealiter kan extreme edge processing gebruik maken van de energie die uit de omgeving wordt geoogst, wat betekent dat de energievoorziening onregelmatig is. Intermittent computing verdeelt complexe taken in kleine stappen die kunnen worden uitgevoerd wanneer er net genoeg energie beschikbaar is. Tussentijdse resultaten worden dan efficiënt opgeslagen, zodat de sensoren in een diepe slaaptoestand kunnen gaan. Wanneer nieuwe energie beschikbaar is, kan de sensor ontwaken en de verwerking hervatten. In de huidige stand van de techniek worden interessante platforms voorgesteld voor het toevoegen van deep learning-versnelling op de sensoren, zoals Google's coral-platform. Doelstellingen zijn: (1) Onderzoeken hoeveel van de anomaliedetectiepijplijn lokaal kan draaien, en hoeveel/meer features/data naar de cloud moeten worden gecommuniceerd voor verdere verwerking aldaar. (2) Het mee-ontwerpen van de lokale algoritmes voor verschillende deep learning architecturen, om te zorgen dat de algoritmes optimaal aansluiten bij de gekozen architecturen. Een logische stap is hier bijvoorbeeld het gebruik van gekwantificeerde modellen. Daarnaast bestaan er ook interessante benaderingen om gestructureerde sparsity te bereiken, en dus eenvoudigere modellen. (3) Het opdelen van de modellen in kleine delen die met tussenpozen kunnen worden uitgevoerd, waarbij de kosten van geheugentoegang worden afgewogen tegen de kans dat tussenresultaten verloren gaan.