ხელოვნური ინტელექტი
ახალ სისტემას შეუძლია ხელოვნური ინტელექტის მოტანა ჩასაცმელ მოწყობილობებზე, საყოფაცხოვრებო ტექნიკაზე
MIT-ის მკვლევართა გუნდი მუშაობს ღრმა სწავლის ნერვული ქსელების მიკროკონტროლერებთან მიტანაზე. წინსვლა ნიშნავს ხელოვნური ინტელექტის (AI) დანერგვას პატარა კომპიუტერულ ჩიპებში ტარებად სამედიცინო მოწყობილობებში, საყოფაცხოვრებო ტექნიკაში და სხვა 250 მილიარდ ობიექტში, რომლებიც ქმნიან "ინტერნეტ ნივთებს" (IoT). IoT არის ფიზიკური ობიექტების ქსელი, რომელიც ჩართულია სენსორებით, პროგრამული უზრუნველყოფისა და სხვა ტექნოლოგიებით, რომლებიც ხელს უწყობენ მონაცემთა დაკავშირებას და გაცვლას სხვა მოწყობილობებთან და სისტემებთან.
ის კვლევის დაგეგმილია დეკემბერში ნეირონული ინფორმაციის დამუშავების სისტემების კონფერენციაზე წარდგენილი. კვლევის წამყვანი ავტორია ჯი ლინი, დოქტორი. სტუდენტი Song Han-ის ლაბორატორიაში MIT-ის ელექტროტექნიკის და კომპიუტერული მეცნიერების დეპარტამენტში. თანაავტორები არიან MIT-ის ჰანი და იუჯუნ ლინი, ვეი-მინ ჩენი MIT-დან და ტაივანის ეროვნული უნივერსიტეტიდან და ჯონ კონი და ჩუან განი MIT-IBM Watson Lab-დან.
MCUNet სისტემა
სისტემას ჰქვია MCUNet და ის აყალიბებს კომპაქტურ ნერვულ ქსელებს, რომლებსაც შეუძლიათ უკიდურესი სიჩქარე და სიზუსტე IoT მოწყობილობებზე, თუნდაც შეზღუდული მეხსიერებითა და დამუშავების სიმძლავრით. ეს სისტემა შეიძლება იყოს უფრო ენერგოეფექტური და გააძლიეროს მონაცემთა უსაფრთხოება.
გუნდმა შეიმუშავა "პატარა ღრმა სწავლის" სისტემა ორი კომპონენტის გაერთიანებით - ნერვული ქსელების და მიკროკონტროლერების მუშაობა. პირველი კომპონენტია TinyEngine, ინტერფეისის ძრავა, რომელიც მოქმედებს როგორც ოპერაციული სისტემა რესურსების მართვის ხელმძღვანელობით. TinyEngine ოპტიმიზებულია TinyNAS-ის მიერ შერჩეული კონკრეტული ნერვული ქსელის სტრუქტურის გასაშვებად, რომელიც არის სხვა კომპონენტი. TinyNAS არის ნერვული არქიტექტურის საძიებო ალგორითმი.
ლინმა შექმნა TinyNAS მცირე მიკროკონტროლერებზე არსებული ნერვული არქიტექტურის ძიების ტექნიკის გამოყენების სირთულის გამო. ეს არსებული ტექნიკა საბოლოოდ პოულობს ქსელის ყველაზე ზუსტ და ეკონომიურ სტრუქტურას, წინასწარ განსაზღვრულ შაბლონზე დაფუძნებული მრავალი შესაძლოდან დაწყების შემდეგ.
"მას შეუძლია საკმაოდ კარგად იმუშაოს GPU-სთვის ან სმარტფონებისთვის", - ამბობს ლინი. ”მაგრამ რთული იყო ამ ტექნიკის უშუალოდ გამოყენება პატარა მიკროკონტროლერებზე, რადგან ისინი ძალიან მცირეა.”
TinyNAS-ს შეუძლია შექმნას მორგებული ზომის ქსელები.
„ჩვენ გვაქვს ბევრი მიკროკონტროლერი, რომლებსაც გააჩნიათ სხვადასხვა სიმძლავრის სიმძლავრე და განსხვავებული მეხსიერების ზომები“, ამბობს ლინ. ”ასე რომ, ჩვენ შევიმუშავეთ ალგორითმი [TinyNAS] სხვადასხვა მიკროკონტროლერებისთვის საძიებო სივრცის ოპტიმიზაციისთვის.”
იმის გამო, რომ TinyNAS შეიძლება მორგებული იყოს, მას შეუძლია შექმნას საუკეთესო კომპაქტური ნერვული ქსელები მიკროკონტროლერებისთვის.
”შემდეგ ჩვენ მივცემთ საბოლოო, ეფექტურ მოდელს მიკროკონტროლერს,” აგრძელებს ლინი.
მიკროკონტროლერს სჭირდება სუფთა და თხელი ინტერფეისის ძრავა, რომ აწარმოოს პატარა ნერვული ქსელი. ბევრ ინტერფეისის ძრავას აქვს ინსტრუქციები იშვიათად გაშვებული ამოცანებისთვის, რამაც შეიძლება ხელი შეუშალოს მიკროკონტროლერს.
"მას არ აქვს ჩიპური მეხსიერება და არ აქვს დისკი", - ამბობს ჰანი. ”ყველაფერი ერთად არის მხოლოდ ერთი მეგაბაიტი ფლეში, ამიტომ ჩვენ ნამდვილად ფრთხილად უნდა ვმართოთ ასეთი მცირე რესურსი.”
TinyEngine წარმოქმნის კოდს, რომელიც საჭიროა TinyNAS-ის მიერ შემუშავებული მორგებული ნერვული ქსელის გასაშვებად. კომპილაციის დრო მცირდება მკვდარი წონის კოდის გაუქმებით.
„ჩვენ ვინახავთ მხოლოდ იმას, რაც გვჭირდება“, ამბობს ჰანი. „და ვინაიდან ჩვენ შევქმენით ნერვული ქსელი, ჩვენ ზუსტად ვიცით რა გვჭირდება. ეს არის სისტემური ალგორითმის კოდირების უპირატესობა“.
ტესტებმა აჩვენა, რომ TinyEngine-ის შედგენილი ორობითი კოდი 1.9-დან ხუთჯერ უფრო მცირე იყო, ვიდრე მსგავსი მიკროკონტროლერები, მათ შორის Google-ისა და ARM-ის. მეხსიერების პიკური გამოყენება ასევე თითქმის განახევრდა.
MCUNet-ის უნარი
MCUNet-ის პირველი ტესტები ტრიალებდა გამოსახულების კლასიფიკაციის გარშემო. ImageNet მონაცემთა ბაზა გამოიყენებოდა სისტემის მოსამზადებლად ეტიკეტირებული სურათებით, და მისი შესაძლებლობები გამოსცადეს ახალ სურათებზე.
როდესაც MCUNet გამოსცადეს კომერციულ მიკროკონტროლერზე, მან წარმატებით მოახდინა ახალი სურათების 70.7 პროცენტის კლასიფიკაცია. ეს ბევრად უკეთესია, ვიდრე წინა საუკეთესო ნეირონული ქსელი და ჩარევის ძრავის დაწყვილება, რომელიც იყო 54 პროცენტით ზუსტი.
”1 პროცენტიანი გაუმჯობესებაც კი ითვლება მნიშვნელოვნად,” - ამბობს ლინი. ”ასე რომ, ეს არის გიგანტური ნახტომი მიკროკონტროლერის პარამეტრებისთვის.”
კურტ კეიტცერის, ბერკლის კალიფორნიის უნივერსიტეტის კომპიუტერის მეცნიერის თქმით, ეს „ღრმა ნეირონული ქსელის დიზაინის საზღვრებს კიდევ უფრო აფართოებს მცირე ენერგოეფექტური მიკროკონტროლერების გამოთვლით დომენში“. MCUNet-ს შეუძლია „მოიტანოს კომპიუტერული ხედვის ინტელექტუალური შესაძლებლობები სამზარეულოს უმარტივეს მოწყობილობებსაც კი, ან ჩართოს მოძრაობის უფრო ინტელექტუალური სენსორები“.
MCUNet ასევე აძლიერებს მონაცემთა უსაფრთხოებას.
”მთავარი უპირატესობა არის კონფიდენციალურობის დაცვა,” - ამბობს ჰანი. "თქვენ არ გჭირდებათ მონაცემების ღრუბელში გადაცემა."
მონაცემთა ლოკალური ანალიზით, პერსონალური ინფორმაციის გატეხვის ნაკლები შანსია.
გარდა ამისა, MCUNet-ს შეუძლია გააანალიზოს და გაეცნოს ინფორმაციას, როგორიცაა გულისცემა, არტერიული წნევა და ჟანგბადის დონის მაჩვენებლები, ღრმა სწავლა მიეცეს IoT მოწყობილობებს მანქანებში და სხვა ადგილებში შეზღუდული ინტერნეტით და შეამციროს ნახშირბადის კვალი მხოლოდ მცირე ნაწილის გამოყენებით. დიდი ნერვული ქსელებისთვის საჭირო ენერგია.
