联系我们

人工神经网络

新系统可以将AI带入可穿戴设备和家用电器

已发表

 on

麻省理工学院的一组研究人员正在努力 深度学习 神经网络到微控制器。这一进步意味着人工智能(AI)可以在可穿戴医疗设备,家用电器以及构成该设备的其他2500亿个对象中的微型计算机芯片中实现。“internet of things”(IoT)。物联网是由物理对象组成的网络,其中嵌入了传感器,软件和其他技术,可帮助与其他设备和系统连接并交换数据。 

研究 将于12月在神经信息处理系统会议上发表。该研究的主要作者是吉林博士。韩寒学生’s lab in MIT’电气工程与计算机科学系。共同作者包括麻省理工学院’分别是麻省理工学院和台湾国立大学的Han和Lin Yujun Lin,陈为明,以及MIT-IBM Watson Lab的John Cohn和Chuan Gan。 

单片机网 System

该系统称为MCUNet,它设计了紧凑的神经网络,即使在有限的内存和处理能力下,也能在IoT设备上实现极高的速度和准确性。该系统可以更加节能,并增强数据安全性。 

团队开发了“tiny deep learning”通过组合两个组件的系统–神经网络和微控制器的运行。第一个组件是TinyEngine,它是通过指导资源管理而充当操作系统的接口引擎。 TinyEngine经过优化,可以运行另一个组件TinyNAS选择的特定神经网络结构。 TinyNAS是一种神经体系结构搜索算法。 

Lin开发TinyNAS是因为难以将现有的神经体系结构搜索技术应用于微型微控制器。在基于预定义的模板从许多可能的技术开始之后,这些现有技术最终找到了最准确和最具成本效益的网络结构。

“它可以很好地适用于GPU或智能手机,” says Lin. “But it’由于它们太小,很难直接将这些技术应用于微型微控制器。”

TinyNAS可以创建自定义大小的网络。 

“我们有许多微控制器,它们具有不同的功率容量和不同的存储器大小,” Lin says. “因此,我们开发了[TinyNAS]算法来优化不同微控制器的搜索空间。”

因为TinyNAS可以定制,所以它可以为微控制器生成最佳的紧凑型神经网络。 

“然后,我们将最终的高效模型提供给微控制器,” Lin continues.

微控制器需要一个干净而纤薄的接口引擎来运行微型神经网络。许多接口引擎都有很少运行任务的指令,这可能会阻碍微控制器。 

“It doesn’没有片外存储器,并且没有’t have a disk,” says Han. “放在一起的所有内容只是一兆字节的闪存,因此我们必须真正小心地管理如此小的资源。”

TinyEngine生成运行TinyNAS开发的定制神经网络所需的代码。通过丢弃无用代码来减少编译时间。

“我们只保留我们需要的东西,” Han says. “由于我们设计了神经网络,因此我们确切地知道了我们所需要的。那’系统算法代码签名的优势。” 

测试表明TinyEngine’它的编译二进制代码比包括Google和ARM在内的类似微控制器引擎小1.9至5倍。峰值内存使用量也减少了近一半。

单片机网’s Ability

单片机网的第一个测试围绕图像分类。使用ImageNet数据库训练带有标签图像的系统,然后在新颖的图像上测试其功能。 

在商用微控制器上对MCUNet进行测试时,它成功分类了70.7%的新颖图像。这比以前的最佳神经网络和干扰引擎配对要好得多,后者配对准确率为54%。

“即使提高1%也被认为是重大的,” Lin says. “因此,这是微控制器设置的巨大飞跃。”

根据加州大学伯克利分校的计算机科学家Kurt Keutzer所说,“将深度神经网络设计的前沿进一步扩展到小型节能微控制器的计算领域。” MCUNet could “将智能计算机视觉功能带到最简单的厨房电器,或启用更多智能运动传感器。” 

单片机网还增强了数据安全性。  

“一项主要优势是可以保护隐私,” Han says. “You don’无需将数据传输到云。”

通过本地分析数据,泄露个人信息的可能性较小。 

除此之外,MCUNet可以分析并提供心跳,血压和氧气水平读数等信息,并为互联网访问受限的车辆和其他地方的物联网设备带来深度学习,并且仅使用一小部分碳排放量就可以减少碳足迹大型神经网络所需的能量。

 

亚历克斯·麦克法兰(Alex McFarland)是一位历史学家和新闻工作者,报道了人工智能的最新发展。