ระบบใหม่สามารถนำ AI มาใช้กับอุปกรณ์สวมใส่และเครื่องใช้ในบ้านได้

ทีมนักวิจัยจาก MIT กำลังทำงานเพื่อนำเครือข่ายประสาทเทียมมาใช้กับไมโครคอนโทรลเลอร์ ความก้าวหน้านี้ทำให้สามารถนำ AI ไปใช้กับชิปคอมพิวเตอร์ขนาดเล็กในอุปกรณ์ทางการแพทย์ที่สวมใส่ได้ เครื่องใช้ในบ้าน และวัตถุอื่นๆ 250 พันชิ้นที่ประกอบเป็น “อินเทอร์เน็ตของสิ่ง” (IoT) IoT คือเครือข่ายของวัตถุทางกายภาพที่ฝังตัวด้วยเซ็นเซอร์ ซอฟต์แวร์ และเทคโนโลยีอื่นๆ ซึ่งช่วยให้เชื่อมต่อและแลกเปลี่ยนข้อมูลกับอุปกรณ์และระบบอื่นๆ

การวิจัยนี้ได้รับการตั้งค่าให้ถูกนำเสนอที่การประชุมเกี่ยวกับระบบข้อมูลประสาทในเดือนธันวาคม ผู้เขียนหลักของการวิจัยคือ Ji Lin นักศึกษาปริญญาเอกในห้องปฏิบัติการของ Song Han ในภาควิชาวิศวกรรมไฟฟ้าและวิทยาศาสตร์คอมพิวเตอร์ของ MIT ผู้ร่วมเขียนรวมถึง Han และ Yujun Lin จาก MIT, Wei-Ming Chen จาก MIT และ National University Taiwan, John Cohn และ Chuan Gan จาก MIT-IBM Watson Lab

ระบบ MCUNet

ระบบนี้เรียกว่า MCUNet และออกแบบเครือข่ายประสาทเทียมที่กะทัดรัดซึ่งสามารถทำงานได้ด้วยความเร็วและความแม่นยำสูงบนอุปกรณ์ IoT แม้จะมีหน่วยความจำและพลังการประมวลผลที่จำกัด ระบบนี้สามารถทำงานได้อย่างมีประสิทธิภาพและเพิ่มความปลอดภัยของข้อมูล

ทีมนักวิจัยได้พัฒนา “ระบบการเรียนรู้แบบลึกขนาดเล็ก” โดยการรวมสองส่วนเข้าด้วยกัน – การทำงานของเครือข่ายประสาทเทียมและไมโครคอนโทรลเลอร์ ส่วนแรกคือ TinyEngine ซึ่งเป็นเครื่องมืออินเทอร์เฟซที่ทำหน้าที่เหมือนระบบปฏิบัติการโดยการบริหารจัดการทรัพยากร TinyEngine ได้รับการปรับให้เหมาะสมสำหรับการทำงานเครือข่ายประสาทเทียมที่เลือกโดย TinyNAS ซึ่งเป็นอีกส่วนหนึ่ง TinyNAS คืออัลกอริทึมการค้นหาสถาปัตยกรรมประสาทเทียม

Lin ได้พัฒนา TinyNAS เนื่องจากความยากในการนำเทคนิคการค้นหาสถาปัตยกรรมประสาทเทียมที่มีอยู่มาใช้กับไมโครคอนโทรลเลอร์ขนาดเล็ก เทคนิคเหล่านี้สามารถค้นหาสถาปัตยกรรมเครือข่ายที่แม่นยำและคุ้มค่าที่สุดหลังจากเริ่มต้นด้วยหลายๆ โครงร่างที่เป็นไปได้ตามเทมเพลตที่กำหนดไว้ล่วงหน้า

“มันสามารถทำงานได้ดีสำหรับ GPU หรือสมาร์ทโฟน” Lin กล่าว “แต่มันเป็นเรื่องยากที่จะนำเทคนิคเหล่านี้มาใช้กับไมโครคอนโทรลเลอร์ขนาดเล็กเพราะพวกมันเล็กเกินไป”

TinyNAS สามารถสร้างเครือข่ายขนาดเล็กที่กำหนดเอง

“เรามีไมโครคอนโทรลเลอร์หลายตัวที่มีความจุพลังและขนาดหน่วยความจำที่แตกต่างกัน” Lin กล่าว “ดังนั้นเราจึงพัฒนาแอลกอริทึม [TinyNAS] เพื่อปรับพื้นที่ค้นหาให้เหมาะสมกับไมโครคอนโทรลเลอร์ต่างๆ”

เนื่องจาก TinyNAS สามารถปรับให้เหมาะสมได้ จึงสามารถสร้างเครือข่ายประสาทเทียมที่กะทัดรัดที่ดีที่สุดสำหรับไมโครคอนโทรลเลอร์

“จากนั้นเราจะส่งโมเดลที่มีประสิทธิภาพสุดท้ายไปยังไมโครคอนโทรลเลอร์” Lin กล่าวต่อ

ต้องการอินเทอร์เฟซที่สะอาดและบางสำหรับไมโครคอนโทรลเลอร์เพื่อทำงานเครือข่ายประสาทเทียมขนาดเล็ก อินเทอร์เฟซหลายตัวมีคำสั่งสำหรับงานที่ไม่ค่อยทำงานซึ่งอาจขัดขวางไมโครคอนโทรลเลอร์

“มันไม่มีหน่วยความจำนอกชิป และไม่มีดิสก์” Han กล่าว “ทุกอย่างที่รวมกันคือเพียงหนึ่งเมกะไบต์ของแฟลช ดังนั้นเราจึงต้องจัดการทรัพยากรขนาดเล็กนี้อย่างระมัดระวัง”

TinyEngine สร้างโค้ดที่จำเป็นในการทำงานเครือข่ายประสาทเทียมที่กำหนดเองที่พัฒนาโดย TinyNAS เวลาในการคอมไพล์ถูกตัดให้สั้นลงโดยการกำจัดโค้ดที่ไม่จำเป็น

“เรารักษาไว้เฉพาะสิ่งที่เราต้องการ” Han กล่าว “และเนื่องจากเราออกแบบเครือข่ายประสาทเทียมแล้ว เราจึงรู้ว่าเราต้องการอะไร นั่นคือความได้เปรียบของการออกแบบระบบและอัลกอริทึม”

การทดสอบแสดงให้เห็นว่าโค้ดไบนารีที่คอมไพล์โดย TinyEngine มีขนาดเล็กกว่าเครื่องมืออินเทอร์เฟซไมโครคอนโทรลเลอร์อื่นๆ ถึง 1.9 ถึง 5 เท่า รวมถึงเครื่องมือจาก Google (GOOGL ) และ ARM การใช้หน่วยความจำสูงสุด cũngถูกตัดให้สั้นลงเกือบครึ่งหนึ่ง

ความสามารถของ MCUNet

การทดสอบครั้งแรกสำหรับ MCUNet มุ่งเน้นไปที่การจำแนกประเภทภาพ ฐานข้อมูล ImageNet ถูกใช้ในการฝึกอบรมระบบและทดสอบความสามารถของมัน

เมื่อ MCUNet ถูกทดสอบบนไมโครคอนโทรลเลอร์เชิงพาณิชย์ มันสามารถจำแนกประเภทภาพใหม่ได้ถึง 70.7 เปอร์เซ็นต์ ซึ่งดีกว่าเครือข่ายประสาทเทียมและเครื่องมืออินเทอร์เฟซที่ดีที่สุดก่อนหน้านี้ซึ่งมีความแม่นยำ 54 เปอร์เซ็นต์

“แม้แต่การปรับปรุง 1 เปอร์เซ็นต์ก็ถือเป็นเรื่องสำคัญ” Lin กล่าว “ดังนั้นนี่จึงเป็นขั้นตอนสำคัญสำหรับการตั้งค่าไมโครคอนโทรลเลอร์”

ตามที่ Kurt Keutzer นักวิทยาศาสตร์คอมพิวเตอร์จาก University of California at Berkeley ระบุว่า “สิ่งนี้ขยายขอบเขตการออกแบบเครือข่ายประสาทเทียมลึกไปสู่โดเมนการคำนวณของไมโครคอนโทรลเลอร์ที่มีประสิทธิภาพและประหยัดพลังงาน” MCUNet “สามารถนำความสามารถการมองเห็นของคอมพิวเตอร์ที่ฉลาดมาใช้กับเครื่องใช้ในครัว甚至อุปกรณ์ตรวจจับการเคลื่อนไหวที่ฉลาดขึ้น”

MCUNet ยังเพิ่มความปลอดภัยของข้อมูล

“ข้อได้เปรียบหลักคือการรักษาความเป็นส่วนตัว” Han กล่าว “คุณไม่ต้องส่งต่อข้อมูลไปยังคลาวด์”

ด้วยการวิเคราะห์ข้อมูลที่จัดเก็บไว้แบบท้องถิ่น มีโอกาสที่ข้อมูลส่วนบุคคลจะถูกบุกรุกน้อยลง

นอกจากนี้ MCUNet ยังสามารถวิเคราะห์และให้ข้อมูลเชิงลึกเกี่ยวกับข้อมูล เช่น อัตราการเต้นของหัวใจ ความดันโลหิต และการอ่านระดับออกซิเจน นำการเรียนรู้แบบลึกมาใช้กับอุปกรณ์ IoT ในรถยนต์และสถานที่อื่นๆ ที่มีการเข้าถึงอินเทอร์เน็ตที่จำกัด และลดรอยเท้าของคาร์บอนโดยใช้พลังงานเพียงเศษเสี้ยวของที่จำเป็นสำหรับเครือข่ายประสาทเทียมขนาดใหญ่