موارد مهم
- تحقیق جدید دانشمندان MIT راه اتصال شبکه های عصبی در دستگاه های کوچک را نشان می دهد.
- MCUNet امکان یادگیری عمیق در سیستم هایی با قدرت پردازش و حافظه محدود را فراهم می کند.
- این نوآوری همچنین می تواند ابزارهای پزشکی هوشمندتر و چابک تر را فراهم کند.
محققان می گویندبلندگوهای هوشمند و سایر دستگاه هایی که اینترنت اشیاء (IoT) را تشکیل می دهند، روزی می توانند قدرت شبکه عصبی را برای انجام کارهای بیشتر با کمتر به دست آورند.
سیستم جدیدی به نام MCUNet امکان طراحی شبکه های عصبی کوچک را در دستگاه های اینترنت اشیا حتی با حافظه و قدرت پردازش محدود می دهد.بر اساس مقاله ای که توسط دانشمندان MIT در سرور پیش چاپ Arxiv منتشر شده است، این فناوری می تواند در عین صرفه جویی در انرژی و بهبود امنیت داده ها، قابلیت های جدیدی را برای دستگاه های هوشمند به ارمغان بیاورد.
جان سویت، مشاور مدیر ارشد فناوری در شرکت روباتیک KODA، در یک مصاحبه ایمیلی گفت: "این تحقیق یکی از آن ایده های درخشانی است که با شنیدن آن واضح به نظر می رسد." "این یک رویکرد ظریف برای مشکل است. این تحقیق بسیار مهم است، زیرا در نهایت، آنها امکان بهینه سازی بلادرنگ شبکه های عصبی را برای هر دستگاهی که منابع را می توان برای الگوریتم شناخت."
آنچه واقعاً نشان می دهد این است که قدرت نباید به اندازه گره بخورد..
محاسبات بزرگ در دستگاه‌های کوچک
دستگاه‌های IoT معمولاً بر روی تراشه‌های کامپیوتری بدون سیستم‌عامل اجرا می‌شوند، که اجرای وظایف تشخیص الگو مانند یادگیری عمیق را دشوار می‌کند. برای تجزیه و تحلیل دقیق‌تر، داده‌های جمع‌آوری‌شده از اینترنت اشیا اغلب در فضای ابری پردازش می‌شوند، اگرچه در برابر هک آسیب‌پذیر هستند.
کارهای زیادی وجود دارد که شبکه های عصبی می توانند برای افزایش تعداد روزافزون دستگاه های IoT انجام دهند، اما اندازه یک مشکل بوده است.
"به منظور انتقال شبکه ها به داخل خود دستگاه، که ثابت شده است دشوار است، باید راهی برای بهینه سازی فضای جستجو برای انواع میکروکنترلرها پیدا کنید." Suit توضیح داد. "یک سیستم استاندارد یا عمومی به دلیل تحمل منابع در دستگاه های IoT کار نمی کند. از نظر قدرت پردازش به پردازنده های بسیار کم و بسیار کوچک فکر کنید."
این جایی است که کار محققان MIT وارد می شود.
"چگونه شبکه های عصبی را مستقیماً روی این دستگاه های کوچک مستقر کنیم؟" نویسنده اصلی این مطالعه، جی لین، دکترای. دانشجوی دپارتمان مهندسی برق و علوم کامپیوتر MIT، در یک بیانیه خبری گفت. "این یک حوزه تحقیقاتی جدید است که بسیار داغ شده است. شرکت هایی مانند Google و ARM همگی در این مسیر کار می کنند."
TinyEngine برای نجات
گروه MIT دو جزء لازم برای عملکرد شبکه های عصبی بر روی میکروکنترلرها را طراحی کرد. یک بخش TinyEngine است که شبیه به یک سیستم عامل است، اما کد را تا حد ضروری حذف می کند. یکی دیگر از الگوریتم های جستجوی معماری عصبی، TinyNAS است.
لین گفت: «ما میکروکنترلرهای زیادی داریم که با ظرفیت‌های مختلف قدرت و اندازه‌های حافظه متفاوت عرضه می‌شوند. بنابراین ما الگوریتم [TinyNAS] را برای بهینه سازی فضای جستجو برای میکروکنترلرهای مختلف توسعه دادیم. ماهیت سفارشی TinyNAS به این معنی است که می تواند شبکه های عصبی فشرده را با بهترین عملکرد ممکن برای یک میکروکنترلر معین بدون پارامترهای غیرضروری تولید کند. سپس نهایی را تحویل می دهیم. مدل کارآمد برای میکروکنترلر."
این یک رویکرد ظریف برای مشکل است.
کار لین می تواند دستگاه های پزشکی هوشمندتر و چابک تر بسازد.
"آنچه این واقعا نشان می دهد این است که قدرت نباید به اندازه گره بخورد، و در بیمارستان ها، جایی که همه چیز به سرعت در فضاهای تنگ حرکت می کند، این می تواند به معنای واقعی کلمه تفاوت بین زندگی و مرگ باشد." کوین گودوین، مدیرعامل EchoNous، شرکتی که دستگاه‌های پزشکی با کمک هوش مصنوعی تولید می‌کند، در یک مصاحبه ایمیلی گفت.
گودوین گفت که تیم او سال‌ها صرف ساخت و آموزش یک شبکه عصبی کرد که سپس می‌توان از آن برای نقشه‌برداری ساختارهای قلب در یک اسکن اولتراسوند بلادرنگ استفاده کرد - همه در یک دستگاه دستی به نام KOSMOS با وزن کمتر از دو پوند.
"اکنون پزشکان می توانند به راحتی از اتاقی به اتاق دیگر برای دریافت اسکن با کیفیت تشخیصی با راهنمایی هوش مصنوعی حرکت کنند." "آنها مجبور نیستند بیماران را برای این اسکن ها به جای دیگری بفرستند یا زمان حیاتی را برای ضدعفونی کردن ماشین آلات مبتنی بر گاری از دست بدهند."
MCUNet نگاهی هیجان انگیز به دنیایی است که در آن ابزارهای کوچک می توانند هوشمندتر از همیشه باشند. از آنجایی که تعداد دستگاه های اینترنت اشیا به سرعت در حال افزایش است، ما به دنبال همه چیز از لوازم هوشمند گرفته تا دستگاه های پزشکی برای داشتن شبکه های عصبی خود هستیم.
