نماذج ومنصات الذكاء الاصطناعي
نظام جديد يمكن أن يأتي بالذكاء الاصطناعي إلى الأجهزة القابلة للارتداء والأجهزة المنزلية
أضف Unite.AI إلى مصادرك المفضلة على Google
فريق من الباحثين في معهد ماساتشوستس للتكنولوجيا يعمل على جلب شبكات التعلم العميق إلى متحكمات دقيقة. وتعني هذه الخطوة أن الذكاء الاصطناعي (AI) يمكن تطبيقه على شرائح الكمبيوتر الصغيرة في الأجهزة الطبية القابلة للارتداء والأجهزة المنزلية و250 مليار كائن آخر يشكل “إنترنت الأشياء” (IoT). إن إنترنت الأشياء هو شبكة من الكائنات المادية المدمجة بالمتحسسات والبرمجيات والتكنولوجيا الأخرى، والتي تساعد على الاتصال وتبادل البيانات مع الأجهزة والنظم الأخرى.
البحثمقرر تقديمه في مؤتمر النظم العصبية في ديسمبر. والمؤلف الرئيسي للبحث هو Ji Lin، طالب دكتوراه في مختبر Song Han في قسم الهندسة الكهربائية وعلوم الحاسوب في معهد ماساتشوستس للتكنولوجيا. وتتضمن قائمة المؤلفين المشاركين Han وYujun Lin وWei-Ming Chen من معهد ماساتشوستس للتكنولوجيا والجامعة الوطنية في تايوان وJohn Cohn وChuan Gan من مختبر معهد ماساتشوستس للتكنولوجيا-آي بي إم واتسون.
نظام MCUNet
النظام يسمى MCUNet، ويتضمن تصميم شبكات عصبية مضغوطة قادرة على سرعة وضبط دقيق على أجهزة إنترنت الأشياء، حتى مع الذاكرة والقدرة على المعالجة المحدودة. يمكن أن يكون هذا النظام أكثر كفاءة في استخدام الطاقة وتحسين أمان البيانات.
طور الفريق نظام “التعلم العميق الصغير” عن طريق الجمع بين مكونين – تشغيل الشبكات العصبية والمتحكمات الدقيقة. المكون الأول هو TinyEngine، وهو محرك واجهة يعمل كنظام تشغيل من خلال توجيه إدارة الموارد. يتم تحسين TinyEngine لتشغيل هيكل شبكة عصبية معين يتم اختياره بواسطة TinyNAS، وهو المكون الآخر. TinyNAS هو خوارزمية بحث عن هيكل الشبكة العصبية.
طور Lin TinyNAS بسبب صعوبة تطبيق تقنيات البحث عن هيكل الشبكة العصبية الحالية على متحكمات دقيقة صغيرة. تؤدي هذه التقنيات الحالية في النهاية إلى العثور على هيكل الشبكة الأكثر دقة وفعالية من حيث التكلفة بعد البدء بالعديد من الهياكل الممكنة بناءً على قالب معين مسبقًا.
“يمكن أن يعمل جيدًا للوحدات الرسومية أو الهواتف الذكية،” يقول Lin. “لكن من الصعب تطبيق هذه التقنيات مباشرة على متحكمات دقيقة صغيرة، لأنها صغيرة جدًا.”
يمكن لـ TinyNAS إنشاء شبكات بحجم مخصص.
“لدينا العديد من المتحكمات الدقيقة التي تأتي بقدرات طاقة مختلفة وأحجام ذاكرة مختلفة،” يقول Lin. “لذلك طورنا الخوارزمية [TinyNAS] لتحسين مساحة البحث لمتحكمات دقيقة مختلفة.”
بسبب أن TinyNAS يمكن تخصيصه، يمكنه إنشاء أفضل الشبكات العصبية المضغوطة الممكنة لمتحكمات دقيقة.
“ثم نقدم النموذج النهائي والفعال إلى المتحكم الدقيق،” يواصل Lin.
يتطلب تشغيل شبكة عصبية صغيرة على متحكم دقيق واجهة محرك نظيف ومرن. تحتوي العديد من محركات الواجهة على تعليمات لمهام نادرة التنفيذ، مما قد يعيق متحكم دقيق.
“ليس لديها ذاكرة خارجية، وليس لديها قرص،” يقول Han. “كل شيء معًا هو مجرد ميغابايت واحد من الفلاش، لذلك يجب علينا إدارة هذا الموارد الصغيرة بعناية فائقة.”
يولد TinyEngine الكود المطلوب لتشغيل الشبكة العصبية المخصصة التي طورتها TinyNAS. يتم تقصير وقت الترجمة عن طريق التخلص من الكود غير الضروري.
“نحتفظ فقط بما نحتاجه،” يقول Han. “ومنذ صممنا الشبكة العصبية، نعرف بالضبط ما نحتاجه. هذا هو ميزة تصميم الخوارزمية والنظام.”
أظهرت الاختبارات أن كود TinyEngine المترجم كان أصغر 1.9 إلى 5 مرات من محركات المتحكمات الدقيقة المماثلة، بما في ذلك تلك من جوجل وARM. كما تم تقصير استخدام الذاكرة القصوى تقريبًا إلى النصف.
قدرة MCUNet
ركزت أولى الاختبارات على MCUNet حول تصنيف الصور. تم استخدام قاعدة بيانات ImageNet لتدريب النظام مع الصور المسمى، ثم تم اختبار قدرته على صور جديدة.
عندما تم اختبار MCUNet على متحكم دقيق تجاري، قام بنجاح بتصنيف 70.7 في المائة من الصور الجديدة. هذا أفضل بكثير من أفضل شبكة عصبية ومحرك تداخل سابق، الذي كان دقيقًا بنسبة 54 في المائة.
“حتى تحسين 1 في المائة يُعتبر كبيرًا،” يقول Lin. “لذلك هذا قفزة عملاقة لبيئات المتحكمات الدقيقة.”
(GOOGL )وفقًا لـ Kurt Keutzer، عالم حاسوب في جامعة كاليفورنيا في بيركلي، فإن هذا “يوسع حدود تصميم الشبكات العصبية العميقة بشكل أكبر في مجال الحوسبة لمتحكمات دقيقة صغيرة وذكية في الطاقة.” يمكن لـ MCUNet “جلب قدرات رؤية حاسوبية ذكية إلى أجهزة المطبخ البسيطة، أو تمكين حساسات حركة أكثر ذكاءً.”
يحسن MCUNet أيضًا أمان البيانات.
“ميزة رئيسية هي الحفاظ على الخصوصية،” يقول Han. “لا تحتاج إلى نقل البيانات إلى السحابة.”
من خلال تحليل البيانات محليًا، هناك فرصة أقل لتعرض المعلومات الشخصية للتأثير.
علاوة على ذلك، يمكن لـ MCUNet تحليل وتقديم رؤى حول المعلومات مثل قراءات معدل ضربات القلب وضغط الدم ومستوى الأكسجين، وجلب التعلم العميق إلى أجهزة إنترنت الأشياء في المركبات والأماكن الأخرى التي تتوفر فيها وصول محدود إلى الإنترنت، وتقليل بصمة الكربون من خلال استخدام جزء صغير فقط من الطاقة المطلوبة للشبكات العصبية الكبيرة.
