An Embedded RISC-V Evaluation of Kolmogorov--Arnold Networks in Hard-Constrained Recurrent Physics-Informed Models
论文在 RISC-V RV64GC 平台（StarFive VisionFive 2，SiFive U74）上评估了 Kolmogorov-Arnold Networks (KAN) 作为硬约束循环物理信息网络 (HRPINN) 残差分支的性能。与 MLP 相比，KAN 残差分支执行慢 13.5 倍和 8.0 倍，每积分步能耗高 11.3 倍和 5.6 倍（最小为 3.7 μJ 对 0.33 μJ）。
Development
- First ReportAn Embedded RISC-V Evaluation of Kolmogorov--Arnold Networks in Hard-Constrained Recurrent Physics-Informed ModelsarXiv cs.LG
- Current Assessment该研究对嵌入式 AI 领域有启示：模型架构选择需考虑目标硬件的特性。KAN 在科学计算中的优势可能不适用于边缘设备，而 MLP 在部署中仍具竞争力。这可能导致在嵌入式场景中更保守的架构选择。Agent Pulse · analysis
该论文在嵌入式 RISC-V 平台上评估了 Kolmogorov-Arnold Networks (KAN) 在硬约束循环物理信息网络 (HRPINN) 中的部署性能。HRPINN 将已知动力学嵌入循环数值积分器，神经网络仅学习残差动力学。KAN 被提出作为 MLP 的参数高效替代，但其可学习的 B 样条激活函数执行特征不同。作者使用相同训练权重，在无向量扩展的 RISC-V RV64GC 平台（StarFive VisionFive 2，SiFive U74）上测量了执行延迟、每积分步能量和量化下的可靠性。对于两个精度相当的配对，KAN 残差分支执行慢 13.5 倍和 8.0 倍，能耗高 11.3 倍和 5.6 倍（最小 3.7 μJ 对 0.33 μJ）。这表明 KAN 的参数效率在部署中并未转化为计算效率，对嵌入式 AI 应用有重要影响。
KAN 的可学习 B 样条激活函数在嵌入式 RISC-V 平台上导致显著更高的延迟和能耗，尽管参数效率更高。这表明在资源受限设备上，激活函数的计算成本可能主导模型性能。未来可关注针对 B 样条激活的硬件加速或近似方法，以缩小与 MLP 的差距。
该研究对嵌入式 AI 领域有启示：模型架构选择需考虑目标硬件的特性。KAN 在科学计算中的优势可能不适用于边缘设备，而 MLP 在部署中仍具竞争力。这可能导致在嵌入式场景中更保守的架构选择。
对于开发嵌入式 AI 产品的公司，该研究提供了架构选择的依据：在计算资源受限时，MLP 可能比 KAN 更经济。这影响产品成本和性能，尤其是在能源敏感的应用中。
未来可期待针对 KAN 的硬件优化或软件优化，如专用指令或近似计算，以提升其在嵌入式平台的效率。同时，研究可能扩展到其他硬件平台，如带向量扩展的 RISC-V 或 GPU，以全面评估 KAN 的部署可行性。