नया सिस्टम वियरेबल डिवाइस और घरेलू उपकरणों में एआई ला सकता है

एमआईटी में शोधकर्ताओं की एक टीम माइक्रोकंट्रोलर में गहरे शिक्षण न्यूरल नेटवर्क लाने पर काम कर रही है। यह प्रगति का अर्थ है कि कृत्रिम बुद्धिमत्ता (एआई) को छोटे कंप्यूटर चिप्स में लागू किया जा सकता है जो पोर्टेबल मेडिकल डिवाइस, घरेलू उपकरणों और “इंटरनेट ऑफ थिंग्स” (आईओटी) के अन्य 250 अरब वस्तुओं में हैं। आईओटी एक भौतिक वस्तुओं का नेटवर्क है जो सेंसर, सॉफ्टवेयर और अन्य प्रौद्योगिकियों से जुड़ा होता है, जो अन्य डिवाइसों और प्रणालियों के साथ डेटा को जोड़ने और विनिमय करने में मदद करता है।

यह अध्ययन दिसंबर में न्यूरल इंफॉर्मेशन प्रोसेसिंग सिस्टम्स कॉन्फ्रेंस में प्रस्तुत किया जाने वाला है। शोध के प्रमुख लेखक जी लिन हैं, जो एमआईटी के इलेक्ट्रिकल इंजीनियरिंग और कंप्यूटर साइंस विभाग में सॉन्ग हान के प्रयोगशाला में पीएचडी छात्र हैं। सह-लेखकों में एमआईटी के हान और युजुन लिन, वेई-मिंग चेन एमआईटी और नेशनल यूनिवर्सिटी ताइवान, और जॉन कोहन और चुआन गान एमआईटी-आईबीएम वाटसन लैब शामिल हैं।

एमसीयूनेट सिस्टम

सिस्टम को एमसीयूनेट कहा जाता है, और यह कॉम्पैक्ट न्यूरल नेटवर्क डिजाइन करता है जो आईओटी डिवाइसों पर चरम गति और सटीकता के साथ काम कर सकता है, यहां तक कि सीमित मेमोरी और प्रोसेसिंग पावर के साथ भी। यह सिस्टम अधिक ऊर्जा-कुशल हो सकता है और डेटा सुरक्षा में सुधार कर सकता है।

टीम ने “टिनी डीप लर्निंग” सिस्टम बनाने के लिए दो घटकों को मिलाया – न्यूरल नेटवर्क का संचालन और माइक्रोकंट्रोलर। पहला घटक टिनीइंजिन है, जो एक इंटरफेस इंजन है जो एक ऑपरेटिंग सिस्टम के रूप में संसाधन प्रबंधन को निर्देशित करता है। टिनीइंजिन को टिनीनास द्वारा चुने गए एक विशिष्ट न्यूरल नेटवर्क संरचना चलाने के लिए अनुकूलित किया गया है, जो दूसरा घटक है। टिनीनास एक न्यूरल आर्किटेक्चर सर्च एल्गोरिदम है।

लिन ने टिनीनास विकसित किया क्योंकि मौजूदा न्यूरल आर्किटेक्चर सर्च तकनीकों को छोटे माइक्रोकंट्रोलर पर लागू करना मुश्किल था। ये मौजूदा तकनीकें अंततः सबसे सटीक और लागत-कुशल नेटवर्क संरचना खोज लेती हैं जो कई संभावित लोगों पर आधारित एक पूर्व-निर्धारित टेम्पलेट के साथ शुरू होती हैं।

“यह जीपीयू या स्मार्टफोन के लिए काफी अच्छा काम कर सकता है,” लिन कहते हैं। “लेकिन यह छोटे माइक्रोकंट्रोलर पर सीधे इन तकनीकों को लागू करना मुश्किल हो गया है, क्योंकि वे बहुत छोटे हैं।”

टिनीनास कस्टम-आकार के नेटवर्क बना सकता है।

“हमारे पास विभिन्न शक्ति क्षमताओं और विभिन्न मेमोरी आकारों के साथ कई माइक्रोकंट्रोलर हैं,” लिन कहते हैं। “इसलिए हमने विभिन्न माइक्रोकंट्रोलर के लिए खोज स्थान को अनुकूलित करने के लिए एल्गोरिदम [टिनीनास] विकसित किया।”

टिनीनास कस्टमाइज़ किया जा सकता है, इसलिए यह माइक्रोकंट्रोलर के लिए सबसे अच्छा संभव कॉम्पैक्ट न्यूरल नेटवर्क बना सकता है।

“फिर हम माइक्रोकंट्रोलर को अंतिम, कुशल मॉडल देते हैं,” लिन जारी रखते हैं।

एक साफ और पतला इंटरफेस इंजन की आवश्यकता होती है ताकि माइक्रोकंट्रोलर टिनी न्यूरल नेटवर्क चला सके। कई इंटरफेस इंजन में दुर्लभ रूप से चलने वाले कार्यों के लिए निर्देश होते हैं, जो एक माइक्रोकंट्रोलर को बाधित कर सकते हैं।

“इसके पास ऑफ-चिप मेमोरी नहीं है, और इसके पास डिस्क नहीं है,” हान कहते हैं। “एक मेगाबाइट फ्लैश में सब कुछ एक साथ रखा जाता है, इसलिए हमें इतनी छोटी संसाधन को बहुत सावधानी से प्रबंधित करना होगा।”

टिनीइंजिन टिनीनास द्वारा विकसित किए गए कस्टमाइज्ड न्यूरल नेटवर्क को चलाने के लिए आवश्यक कोड उत्पन्न करता है। संकलन समय को मृत कोड को छोड़कर कम किया जाता है।

“हम केवल वही रखते हैं जो हमें चाहिए,” हान कहते हैं। “और चूंकि हमने न्यूरल नेटवर्क को डिजाइन किया है, हम जानते हैं कि हमें क्या चाहिए। यह सिस्टम-एल्गोरिदम कोडिजाइन का लाभ है।”

परीक्षणों ने दिखाया कि टिनीइंजिन का संकलित बाइनरी कोड गूगल और आरएम जैसे अन्य माइक्रोकंट्रोलर इंजन की तुलना में 1.9 से पांच गुना छोटा था, और पीक मेमोरी उपयोग लगभग आधा कम हो गया था।

एमसीयूनेट की क्षमता

एमसीयूनेट के लिए पहले परीक्षण छवि वर्गीकरण के आसपास घूमते थे। इमेजनेट डेटाबेस का उपयोग प्रणाली को लेबल वाली छवियों के साथ प्रशिक्षित करने के लिए किया गया था, और इसकी क्षमता का परीक्षण नए लोगों पर किया गया था।

जब एमसीयूनेट का एक व्यावसायिक माइक्रोकंट्रोलर पर परीक्षण किया गया, तो यह 70.7 प्रतिशत नए छवियों को सफलतापूर्वक वर्गीकृत कर दिया। यह पिछले सर्वश्रेष्ठ न्यूरल नेटवर्क और हस्तक्षेप इंजन जोड़ी से बहुत बेहतर है, जो 54 प्रतिशत सटीक थी।

“यहां तक कि 1 प्रतिशत की वृद्धि को महत्वपूर्ण माना जाता है,” लिन कहते हैं। “इसलिए यह माइक्रोकंट्रोलर सेटिंग्स के लिए एक बड़ा कदम है।”

कैलिफोर्निया विश्वविद्यालय, बर्कले में कंप्यूटर वैज्ञानिक कुर्त कीट्ज़र के अनुसार, यह “गहरे न्यूरल नेटवर्क डिजाइन की सीमा को छोटे ऊर्जा-कुशल माइक्रोकंट्रोलर के गणना डोमेन में और आगे बढ़ाता है।” एमसीयूनेट “साधारण रसोई के उपकरणों में बुद्धिमान कंप्यूटर-दृष्टि क्षमताएं ला सकता है, या अधिक बुद्धिमान गति सेंसर को सक्षम कर सकता है।”

एमसीयूनेट डेटा सुरक्षा में भी सुधार करता है।

“एक प्रमुख लाभ गोपनीयता की रक्षा करना है,” हान कहते हैं। “आपको डेटा को क्लाउड में स्थानांतरित करने की आवश्यकता नहीं है।”

स्थानीय रूप से डेटा का विश्लेषण करके, व्यक्तिगत जानकारी के खतरे में पड़ने की संभावना कम हो जाती है।

इसके अलावा, एमसीयूनेट हृदय गति, रक्तचाप और ऑक्सीजन स्तर के पढ़ने जैसी जानकारी का विश्लेषण और अंतर्दृष्टि प्रदान कर सकता है, वाहनों और सीमित इंटरनेट एक्सेस वाले अन्य स्थानों में आईओटी डिवाइसों में गहरे शिक्षण को ला सकता है, और केवल बड़े न्यूरल नेटवर्क के लिए आवश्यक ऊर्जा के एक छोटे से हिस्से का उपयोग करके कार्बन फुटप्रिंट को कम कर सकता है।