Новый метод позволяет внедрять ИИ в бытовые приборы
19.11.2020 263 0
Исследователи из Университета Юты в США представили модель, которая внедряет искусственный интеллект (ИИ) в любое устройство. Для этого не нужны сложные вычисления.
Новая модель позволит исследователям внедрять искусственный интеллект в бытовые приборы, которые работают с помощью встроенных технологий для взаимодействия друг с другом или с внешней средой («интернет вещей»). По предварительным данным, приборы повышают безопасность данных и их энергоэффективность.
Система MCUNet проектирует компактные нейронные сети, которые, несмотря на ограниченную память и вычислительную мощность, обеспечивают высокую скорость и точность для глубокого обучения устройств «интернета вещей».
С помощью MCUNet ученые кодирует два компонента, необходимых для «крошечного глубокого обучения» — работу нейронных сетей на микроконтроллерах. Одним из компонентов является TinyEngine, движок, который работает с ресурсами, он напоминает простейшую операционную систему. TinyEngine оптимизирован для работы с определенной нейросетевой структурой.
Существующие методы поиска нейронной архитектуры для предметов начинаются с большого пула возможных сетевых структур, основанных на заранее заданном шаблоне. Затем исследователи постепенно находят тот, который отличается высокой точностью и низкой стоимостью. Несмотря на то, что методы работают, они не самые эффективные для крошечных устройств.
«У нас есть множество микроконтроллеров с разной мощностью и разным объемом памяти, — объясняют исследователи. — Поэтому мы разработали алгоритм [TinyNAS] для оптимизации пространства поиска для различных микроконтроллеров». Настраиваемый характер TinyNAS означает, что он может генерировать компактные нейронные сети с наилучшей производительностью для конкретного микроконтроллера, причем для этого даже не нужны настройки лишних параметров.
Новая модель позволит исследователям внедрять искусственный интеллект в бытовые приборы, которые работают с помощью встроенных технологий для взаимодействия друг с другом или с внешней средой («интернет вещей»). По предварительным данным, приборы повышают безопасность данных и их энергоэффективность.
Система MCUNet проектирует компактные нейронные сети, которые, несмотря на ограниченную память и вычислительную мощность, обеспечивают высокую скорость и точность для глубокого обучения устройств «интернета вещей».
С помощью MCUNet ученые кодирует два компонента, необходимых для «крошечного глубокого обучения» — работу нейронных сетей на микроконтроллерах. Одним из компонентов является TinyEngine, движок, который работает с ресурсами, он напоминает простейшую операционную систему. TinyEngine оптимизирован для работы с определенной нейросетевой структурой.
Существующие методы поиска нейронной архитектуры для предметов начинаются с большого пула возможных сетевых структур, основанных на заранее заданном шаблоне. Затем исследователи постепенно находят тот, который отличается высокой точностью и низкой стоимостью. Несмотря на то, что методы работают, они не самые эффективные для крошечных устройств.
«У нас есть множество микроконтроллеров с разной мощностью и разным объемом памяти, — объясняют исследователи. — Поэтому мы разработали алгоритм [TinyNAS] для оптимизации пространства поиска для различных микроконтроллеров». Настраиваемый характер TinyNAS означает, что он может генерировать компактные нейронные сети с наилучшей производительностью для конкретного микроконтроллера, причем для этого даже не нужны настройки лишних параметров.
| |