[ad_1]

یادگیری عمیق همه جا است. این شاخه از هوش مصنوعی رسانه های اجتماعی شما را بهبود می بخشد و نتایج جستجوی Google شما را ارائه می دهد. به زودی آموزش عمیق همچنین می تواند علائم حیاتی شما را بررسی کند یا ترموستات را تنظیم کند. محققان موسسه فناوری ماساچوست سیستمی را ایجاد کرده اند که می تواند منجر به یادگیری عمیق شبکه های عصبی در مکان های جدید – و بسیار کوچکتر – مانند تراشه های کوچک رایانه در دستگاه های پزشکی پوشیدنی ، لوازم خانگی و 250 میلیارد سایت اینترنتی دیگر شود. از اشیا “(اینترنت اشیا).

این سیستم با نام MCUNet شبکه های عصبی کامپکت را طراحی می کند که با وجود حافظه و قدرت پردازش محدود ، سرعت و دقت بی سابقه ای را برای آموزش عمیق دستگاه های اینترنت اشیا فراهم می کند. این فناوری می تواند ضمن صرفه جویی در مصرف انرژی و بهبود امنیت داده ها ، گسترش جهان اینترنت اشیا را تسهیل کند.

این مطالعه ماه آینده در کنفرانس سیستم های پردازش اطلاعات عصبی ارائه خواهد شد. نویسنده اصلی آن جی لین ، دانشجوی دکترای آزمایشگاه سون هان در بخش مهندسی برق و علوم کامپیوتر MIT است. از جمله نویسندگان مشترک می توان به هان و یوجون لین از دانشگاه MIT ، وی مینگ چن از دانشگاه MIT و دانشگاه ملی تایوان و همچنین جان کوه و چوانگ گان از آزمایشگاه AI MIT-IBM Watson اشاره کرد.

اینترنت اشیا

اینترنت اشیا در اوایل دهه 80 متولد شد. دانشجویان دانشگاه دانشگاه کارنگی ملون ، از جمله مایک کازار ’78 ، یک دستگاه کولاکولا را به اینترنت متصل کردند. انگیزه این گروه ساده بود: تنبلی. آنها می خواستند قبل از اینکه از دفتر خود برای خرید خرید خارج شوند ، از رایانه های خود برای تأیید موجود بودن دستگاه استفاده کنند. این اولین دستگاه متصل به اینترنت در جهان بود. کازار که اکنون مهندس مایکروسافت است ، گفت: “این تقریباً یک شوخی بزرگ بود.” “هیچ کس انتظار میلیاردها دستگاه در اینترنت را ندارد.”

بعد از این دستگاه کوکاکولا ، اشیا everyday روزمره در رشد اینترنت اشیا بیشتر و بیشتر می شوند. این شامل همه چیز از نمایشگرهای پوشیدنی قلب گرفته تا یخچال های هوشمند است که به شما می گویند چه زمانی شیر ندارید. دستگاه های اینترنت اشیا often اغلب با میکروکنترلرها کار می کنند – تراشه های رایانه ای ساده و بدون سیستم عامل ، حداقل قدرت پردازش و کمتر از هزارم حافظه تلفن های هوشمند معمولی. بنابراین انجام وظایف تشخیص الگو مانند یادگیری عمیق به طور محلی در دستگاه های اینترنت اشیا دشوار است. برای تجزیه و تحلیل پیچیده ، داده های جمع آوری شده توسط اینترنت اشیا اغلب به ابر ارسال می شود و این امر در برابر هک شدن آسیب پذیر است.

هان می گوید: “چگونه شبکه های عصبی را مستقیماً روی این دستگاه های کوچک قرار دهیم؟ این یک منطقه تحقیقاتی جدید است که بسیار داغ می شود.” “شرکت هایی مانند Google و ARM در این راستا کار می کنند.”

با استفاده از MCUNet ، گروه خان دو م componentsلفه مورد نیاز برای “کمی یادگیری عمیق” را ایجاد کردند – عملکرد شبکه های عصبی روی میکروکنترلرها. یک جز component TinyEngine است ، مکانیزمی خروجی که مدیریت منابع را هدایت می کند ، شبیه به یک سیستم عامل. TinyEngine برای اجرای یک ساختار شبکه عصبی خاص بهینه شده است که توسط م componentلفه دیگر MCUNet انتخاب شده است: TinyNAS ، الگوریتم جستجوی معماری عصبی.

طراحی کد الگوریتمی سیستم

طراحی یک شبکه عمیق برای میکروکنترلرها آسان نیست. تکنیک های موجود در جستجوی معماری عصبی با طیف گسترده ای از ساختارهای شبکه احتمالی بر اساس الگوی از پیش تعریف شده آغاز می شوند و سپس به تدریج با دقت بالا و هزینه کم یکی از آنها را پیدا می کنند. اگرچه روش کار می کند ، اما موثرترین روش نیست. لین می گوید: “این می تواند برای GPU ها یا تلفن های هوشمند بسیار خوب کار کند.” “اما به کار بردن مستقیم این تکنیک ها در میکروکنترلرهای کوچک دشوار بود زیرا بسیار کوچک بودند.”

بنابراین لین TinyNAS را توسعه داد ، روشی برای جستجوی معماری عصبی که شبکه هایی با اندازه غیر استاندارد ایجاد می کند. لین می گوید: “ما میکروکنترلرهای زیادی داریم که با ظرفیت های مختلف و میزان حافظه متفاوت ارائه می شوند.” “بنابراین ما الگوریتم را توسعه دادیم [TinyNAS] برای بهینه سازی فضای جستجو برای میکروکنترلرهای مختلف. “شخصیت سفارشی TinyNAS به این معنی است که می تواند شبکه های عصبی فشرده و با بهترین عملکرد ممکن را برای میکروکنترلر تولید کند – بدون اضافه کاری.” لین می گوید: “سپس ما مدل نهایی و کارآمد میکروکنترلر را ارائه می دهیم.”

برای کنترل این شبکه عصبی کوچک ، میکروکنترلر همچنین به مکانیزم خروجی ناب نیاز دارد. مکانیسم استنتاج معمول وزن کمی دارد – دستورالعمل هایی برای کارهایی که به ندرت می توانند کار کنند. کد اضافی مشکلی برای لپ تاپ یا تلفن هوشمند ایجاد نمی کند ، اما می تواند به راحتی میکروکنترلر را تحت فشار قرار دهد. خان می گوید: “این حافظه خارجی و دیسک ندارد.” “همه چیز با هم فقط یک مگابایت فلاش است ، بنابراین ما باید چنین منبع کوچکی را با دقت مدیریت کنیم.” Cue TinyEngine

محققان مکانیسم استنباط خود را با TinyNAS توسعه دادند. TinyEngine کد اساسی لازم برای راه اندازی شبکه عصبی سفارشی TinyNAS را تولید می کند. هر کد مربوط به وزن مناسب کنار گذاشته می شود ، که باعث کاهش زمان تدوین می شود. هان می گوید: “ما فقط آنچه نیاز داریم را نگه می داریم.” “و از آنجا که شبکه عصبی را طراحی کردیم ، دقیقاً می دانیم که به چه چیزهایی نیاز داریم. این مزیت طراحی کد الگوریتم سیستم است.” در آزمونهای گروه TinyEngine ، اندازه کد باینری وارد شده بین 1.9 تا 5 برابر کوچکتر از مکانیزم های خروجی میکروکنترلر قابل مقایسه از Google و ARM است. TinyEngine همچنین دارای نوآوری هایی است که زمان اجرا را کاهش می دهد ، از جمله سیم پیچ عمیق ، که حداکثر استفاده از حافظه را کاهش می دهد. پس از رمزگذاری TinyNAS و TinyEngine ، تیم هان MCUNet را آزمایش کردند.

اولین چالش MCUNet طبقه بندی تصویر بود. محققان از پایگاه داده ImageNet برای آموزش این سیستم با تصاویر برچسب زده شده و سپس توانایی آن را در طبقه بندی تصاویر جدید استفاده کردند. MCUNet با استفاده از یک میکروکنترلر تجاری که آنها آزمایش کردند ، 70.7٪ از تصاویر جدید را با موفقیت طبقه بندی کرد – تجهیزات شبکه عصبی مدرن و مکانیسم قفل قبلی دقیقاً 54٪ بود. لین گفت: “حتی 1 درصد پیشرفت نیز قابل توجه است.” “بنابراین این یک جهش عظیم برای تنظیمات میکروکنترلر است.”

این تیم نتایج مشابهی را در آزمایشات ImageNet روی سه میکروکنترلر دیگر یافتند. و از نظر سرعت و دقت ، MCUNet رقابت صوتی و تصویری “تماس بیدار” را که در آن کاربر تعامل با رایانه را با استفاده از نشانه های صوتی آغاز می کند (فکر کنید: “سلام ، سیری”) یا به سادگی با ورود به یک اتاق ، شکست داد. این آزمایشات سازگاری MCUNet با چندین برنامه را برجسته می کند.

“پتانسیل عظیم”

امیدوار کننده نتایج آزمون امیدوار است که خان به استاندارد جدید صنعت برای میکروکنترلرها تبدیل شود. وی گفت: “این پتانسیل عظیمی دارد.”

کورت کوترزر ، دانشمند علوم کامپیوتر از دانشگاه کالیفرنیا ، برکلی ، که در این امر دخیل نبود ، گفت: “پیشرفتها” مرزهای طراحی شبکه عصبی عمیق را حتی بیشتر در زمینه محاسباتی میکروکنترلرهای کوچک با مصرف انرژی افزایش می دهد. وی افزود كه MCUNet می تواند “بینایی كامپیوتر هوشمند را به ساده ترین وسایل آشپزخانه نیز بیاورد یا حسگرهای حرکتی هوشمندتر را فعال كند.”

MCUNet همچنین می تواند باعث امنیت بیشتر دستگاه های اینترنت اشیا شود. هان می گوید: “یک مزیت اصلی حفظ رازداری است.” “شما نیازی به انتقال داده به ابر ندارید.”

تجزیه و تحلیل داده های محلی خطر سرقت اطلاعات شخصی – از جمله داده های بهداشت شخصی – را کاهش می دهد. خان ساعت های هوشمندی را با MCUNet ارائه می کند که نه تنها ضربان قلب ، فشار خون و میزان اکسیژن کاربران را درک می کند ، بلکه آنها را در درک این اطلاعات تجزیه و تحلیل و کمک می کند. MCUNet همچنین می تواند آموزش های عمیقی را درباره دستگاه های اینترنت اشیا in در وسایل نقلیه و مناطق روستایی با دسترسی محدود به اینترنت انجام دهد.

علاوه بر این ، رد پای محاسباتی نازک MCUNet به یک رد پای کربن نازک تبدیل می شود. هان با بیان اینکه “رویای بزرگ ما هوش مصنوعی سبز است” ، افزود: آموزش یک شبکه عصبی بزرگ می تواند کربن را معادل انتشار مادام العمر پنج ماشین بسوزاند. MCUNet یک میکروکنترلر به مقدار کمی از این نیرو نیاز دارد. هان می گوید: “هدف نهایی ما ارائه هوش مصنوعی کارآمد و کوچک با منابع محاسباتی کمتر ، منابع انسانی کمتر و داده های کمتر است.”

[ad_2]

منبع: khabar-erfan.ir