ANR LIGHT-SWIFT
Réduction de la consommation énergétique des modèles de machine learning pour emabarqués
Ce projet permet de développer des techniques de compression de modèle de machine learning et d'optimisation architecturale afin d'apporter des traitements de pointe sur des microcontrôleurs très basse consommation. Le système combine acquisition audio, DSP embarqué, inférence locale via NPU et transmission sans fil lors de la classification d'événements sonores urgents.
Voir la page du projet ANRArchitecture système
Activez les zones du diagramme pour suivre le signal depuis la capture sonore jusqu’à la notification sans fil.
Cliquez sur « Événement acoustique » pour démarrer
Pipeline de traitement
Benchmarks de performance
Compromis de compression
Le QAT-INT8 est le meilleur compromis entre la taille du modèle et ses performances de classification. Le modèle est 9,7 fois plus petit que celui de référence tout en améliorant le F1-score jusqu'à 82,5 %. Grâce à la technique de compression QAT (réduisant en meme temps le surapprentissage pendant l'entrainement), le modèle peut ainsi être déployé sur du matériel ultra-basse consommation.
Énergie par inférence (QAT-INT8)
Mesure réalisée directement sur le système embarqué pour un déploiement avec compression QAT-INT8. L'accélération matérielle réduit la consommation d'une inférence de plus de 7 fois par rapport à une exécution sur CPU seul.
Répartition de la latence (Total : ~290 ms)
Résultats clés
Constitution du batch et traitement embarqué, avant la notification BLE.
F1-score du modèle quantifié (QAT-INT8) sur dataset in-situ (83,20% de couverture pour indice de confiance >60%).
Réduction par rapport à une inférence exécuté uniquement sur CPU.
Chronologie du projet
Décembre 2023
Lancement du projet
Lancement officiel du programme de recherche collaboratif ANR LIGHT-SWIFT.
Mars 18-19, 2024
Réunion de lancement (Paris)
Le consortium de partenaires se sont réunit pour définir les objectifs et la feuille de route du projet.
Avril 7-9, 2025
Réunion en présentiel (Tokyo)
Partage des résultats sur l'inférence embarquée, l'alignement des données acoustiques et les expérimentations avec les partenaires.
Novembre 13, 2025
Publication IEEE
Publication d'un article scientifique exposant l'état de l'art sur les techniques de compression de modèles de machine learning pour réduire leur consommation d'énergie.
Voir sur le site IEEE XploreJuin 22-24, 2026
Réunion en présentiel (Lannion)
Partage des avancées et des résultats sur l'optimisation de l'inférence embarquée et la réduction de la consommation énergétique. Plannification du prochain POC prévu en septembre 2026 à Nagoya (Tokyo).