Βασικά Takeaways
- Νέα έρευνα επιστημόνων του MIT δείχνει τον δρόμο για την τοποθέτηση νευρωνικών δικτύων σε μικροσκοπικές συσκευές.
- MCUNet επιτρέπει τη βαθιά εκμάθηση σε συστήματα με περιορισμένη επεξεργαστική ισχύ και μνήμη.
- Η καινοτομία θα μπορούσε επίσης να επιτρέψει πιο έξυπνες, πιο ευέλικτες ιατρικές συσκευές.
Έξυπνα ηχεία και άλλες συσκευές που αποτελούν το Διαδίκτυο των Πραγμάτων (IoT) θα μπορούσαν μια μέρα να αποκτήσουν τη δύναμη του νευρωνικού δικτύου για να κάνουν περισσότερα με λιγότερα, λένε οι ερευνητές.
Ένα νέο σύστημα που ονομάζεται MCUNet επιτρέπει το σχεδιασμό μικροσκοπικών νευρωνικών δικτύων σε συσκευές IoT, ακόμη και με περιορισμένη μνήμη και ισχύ επεξεργασίας. Σύμφωνα με ένα έγγραφο επιστημόνων του MIT που δημοσιεύτηκε στον διακομιστή προεκτύπωσης Arxiv, η τεχνολογία θα μπορούσε να φέρει νέες δυνατότητες σε έξυπνες συσκευές εξοικονομώντας ενέργεια και βελτιώνοντας την ασφάλεια των δεδομένων.
Η έρευνα "είναι μία από εκείνες τις λαμπρές ιδέες που φαίνεται προφανής όταν την ακούς", είπε ο John Suit, σύμβουλος CTO στην εταιρεία ρομποτικής KODA, σε μια συνέντευξη μέσω email. "Είναι μια κομψή προσέγγιση του προβλήματος. Αυτή η έρευνα είναι τόσο σημαντική γιατί τελικά, θα επιτρέψει τη βελτιστοποίηση των νευρωνικών δικτύων σε πραγματικό χρόνο για οποιαδήποτε συσκευή όπου οι πόροι μπορούν να είναι γνωστοί στον αλγόριθμο."
Αυτό που πραγματικά δείχνει είναι ότι η δύναμη δεν χρειάζεται να συνδέεται με το μέγεθος..
Μεγάλοι υπολογισμοί σε μικρές συσκευές
Οι συσκευές IoT συνήθως εκτελούνται σε τσιπ υπολογιστών χωρίς λειτουργικό σύστημα, γεγονός που καθιστά δύσκολη την εκτέλεση εργασιών αναγνώρισης προτύπων όπως η βαθιά εκμάθηση. Για πιο εντατική ανάλυση, τα δεδομένα που συλλέγονται από το IoT συχνά υποβάλλονται σε επεξεργασία στο cloud, αν και είναι ευάλωτα σε πειρατεία.
Υπάρχουν πολλά που θα μπορούσαν να κάνουν τα νευρωνικά δίκτυα για να ενισχύσουν τον αυξανόμενο αριθμό συσκευών IoT, αλλά το μέγεθος ήταν ένα πρόβλημα.
"Για να μετακινήσετε τα δίκτυα προς τα κάτω στη συσκευή, κάτι που έχει αποδειχθεί δύσκολο, θα πρέπει να βρείτε έναν τρόπο να βελτιστοποιήσετε τον χώρο αναζήτησης για μια ποικιλία μικροελεγκτών", εξήγησε η Suit. "Ένα τυπικό ή γενικό σύστημα δεν θα λειτουργούσε λόγω των ανοχών πόρων στις συσκευές IoT. Σκεφτείτε πολύ χαμηλής ισχύος, πολύ μικρού επεξεργαστές όσον αφορά την ισχύ επεξεργασίας."
Εκεί έρχεται η δουλειά των ερευνητών του MIT.
"Πώς αναπτύσσουμε νευρωνικά δίκτυα απευθείας σε αυτές τις μικροσκοπικές συσκευές;" ο επικεφαλής συγγραφέας της μελέτης, Ji Lin, Ph. D. φοιτητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Επιστήμης Υπολογιστών του MIT, δήλωσε σε δελτίο τύπου. "Είναι ένας νέος ερευνητικός τομέας που γίνεται πολύ καυτός. Εταιρείες όπως η Google και η ARM εργάζονται όλες προς αυτή την κατεύθυνση."
TinyEngine to the Rescue
Η ομάδα του MIT σχεδίασε δύο στοιχεία απαραίτητα για τη λειτουργία νευρωνικών δικτύων σε μικροελεγκτές. Ένα μέρος είναι το TinyEngine, το οποίο είναι παρόμοιο με ένα λειτουργικό σύστημα, αλλά αφαιρεί τον κώδικα στα βασικά του στοιχεία. Ένας άλλος είναι ο TinyNAS, ένας αλγόριθμος αναζήτησης νευρικής αρχιτεκτονικής.
"Έχουμε πολλούς μικροελεγκτές που έρχονται με διαφορετικές χωρητικότητες ισχύος και διαφορετικά μεγέθη μνήμης", είπε ο Lin. "Έτσι αναπτύξαμε τον αλγόριθμο [TinyNAS] για να βελτιστοποιήσουμε τον χώρο αναζήτησης για διαφορετικούς μικροελεγκτές. Η προσαρμοσμένη φύση του TinyNAS σημαίνει ότι μπορεί να δημιουργήσει συμπαγή νευρωνικά δίκτυα με την καλύτερη δυνατή απόδοση για έναν δεδομένο μικροελεγκτή-χωρίς περιττές παραμέτρους. Στη συνέχεια παραδίδουμε την τελική, αποδοτικό μοντέλο στον μικροελεγκτή."
Είναι μια κομψή προσέγγιση του προβλήματος.
Το έργο του Lin θα μπορούσε να μεταφραστεί για να κάνει πιο έξυπνες, πιο ευέλικτες ιατρικές συσκευές.
"Αυτό που δείχνει πραγματικά είναι ότι η εξουσία δεν χρειάζεται να συνδέεται με το μέγεθος, και στα νοσοκομεία, όπου όλα κινούνται γρήγορα σε στενούς χώρους, αυτό μπορεί κυριολεκτικά να σημαίνει τη διαφορά μεταξύ ζωής και θανάτου", Kevin Goodwin, Ο Διευθύνων Σύμβουλος της EchoNous, μιας εταιρείας που κατασκευάζει ιατρικές συσκευές με τεχνητή νοημοσύνη, δήλωσε σε μια συνέντευξη μέσω email.
Ο Γκούντγουιν είπε ότι η ομάδα του ξόδεψε χρόνια δημιουργώντας και εκπαιδεύοντας ένα νευρωνικό δίκτυο που θα μπορούσε στη συνέχεια να χρησιμοποιηθεί για τη χαρτογράφηση των δομών της καρδιάς σε σάρωση υπερήχων σε πραγματικό χρόνο-όλα σε μια φορητή συσκευή που ονομάζεται KOSMOS και ζυγίζει λιγότερο από δύο κιλά.
"Τώρα οι γιατροί μπορούν να μετακινούνται εύκολα από δωμάτιο σε δωμάτιο κάνοντας σαρώσεις διαγνωστικής ποιότητας με καθοδήγηση τεχνητής νοημοσύνης", πρόσθεσε. "Δεν χρειάζεται να στέλνουν ασθενείς αλλού για αυτές τις σαρώσεις ή να χάνουν κρίσιμο χρόνο απολυμαίνοντας μηχανήματα που βασίζονται σε καρότσι."
Το MCUNet είναι μια συναρπαστική ματιά σε έναν κόσμο όπου τα μικρά gadget θα μπορούσαν να είναι πιο έξυπνα από ποτέ. Καθώς ο αριθμός των συσκευών IoT αυξάνεται ραγδαία, θα αναζητούμε τα πάντα, από έξυπνες συσκευές έως ιατρικές συσκευές για να έχουμε τα δικά τους νευρωνικά δίκτυα.
