摘要
随着人工智能（AI）模型，尤其是深度神经网络（DNNs）的广泛应用，模型在训练与推理阶段的功耗持续上升，引发了日益严峻的环境问题，也推动了对更节能算法与硬件解决方案的迫切需求。本文针对机器学习（ML）领域，特别是推理阶段日益增长的能耗问题提出解决方案。即便功耗的微小降低，也能带来显著的能源节约，从而惠及用户、企业以及整个生态环境。本研究提出一种基于神经演化框架的方法，在尽可能保持人工神经网络（ANN）模型高精度的同时，最大限度地降低其功耗。为此，我们将功耗纳入适应度函数进行优化。我们提出一种新型变异策略，通过随机重新引入网络中的层模块，并赋予功耗更低的模块更高的选择概率。此外，我们设计了一种创新技术，可在单次训练步骤中同时训练两个独立模型，同时引导其中一个模型在保持与另一个模型相近精度的前提下，实现更高的能效。实验结果表明，该方法可使ANN模型的功耗降低高达29.2%，且预测性能未出现显著下降。