最近的研究表明，边缘AI部署需要神经架构同时具备高精度、计算效率和硬件部署能力。硬件感知神经架构搜索（NAS）可以解决这一挑战。然而，现有的工作往往将量化直接纳入NAS循环中，这增加了搜索复杂度并紧密耦合了架构和量化设计。本文提出了一个三阶段管道：硬件不可知的帕累托排名代理前端、带有帕累托感知过滤和反馈控制的量化桥梁，以及在CGRA4ML上进行演化的域空间探索（DSE）后端，以实现量化架构到可重构加速器的最优映射。通过对NAS-Bench-201上的15,625个架构进行实证研究，表明INT4后训练量化（PTQ）会扰乱NAS-Bench-201的帕累托空间，并证明FP32零样本代理在帕累托空间覆盖方面优于专用INT4训练代理。 博主点评： 本文解决了NAS和量化在边缘AI中的重要问题，为硬件加速器的探索和量化对帕累托空间的影响提供了深入的分析和实证研究，为未来边缘AI的开发提供了重要的参考价值。