AutoMCU：通过基于 LLM 的多代理系统进行可行性优先的 MCU 神经网络定制

在微控制器单元 (MCU) 上部署神经网络对于边缘智能至关重要，但由于内存、存储和计算限制紧张，仍然具有挑战性。现有的方法，例如模型压缩和硬件感知神经架构搜索（HW-NAS），通常依赖于代理指标，会产生高昂的搜索成本，并且不能完全弥合架构设计和验证部署之间的差距。本文提出了 AutoMCU，一种基于可行性优先的 大语言模型 (LLM) 多智能体系统，用于在 MCU 约束下进行自动神经网络定制。给定自然语言任务要求和硬件规格，AutoMCU 迭代生成结构化架构候选方案，在训练前通过供应商工具链反馈过滤不可行的设计，在受控协议下评估可行模型，并通过基于后端的部署分析验证可部署性。 AutoMCU 包括两个关键机制：1）硬件在环架构生成，用于在 RAM 和闪存限制下及早消除不可部署的候选者；2）状态隔离的多智能体调度，用于稳定协调提案、训练、评估和部署阶段。在严格的 MCU 约束下对 CIFAR-10 和 CIFAR-100 进行的实验表明，AutoMCU 实现了具有竞争力的精度，同时将定制时间减少到约 1--2 小时，而面向代表性 MCU 的 HW-NAS 基准则需要数百小时的 GPU 小时。在NAS-Bench-201上与ColabNAS和基于LLM的NAS方法GENIUS进行比较，进一步证明了AutoMCU的有效性和稳定性。在多个 STM32 微控制器上的实际设备部署验证了其对 MCU 规模边缘智能的实际适用性。