Udvidelse af brugen af ​​AI via tingenes internet

Hvis du har en smart telefon med ansigtsgenkendelse, du har måske spekuleret på:Hvordan lærer din enhed at genkende dit ansigt i modsætning til, sige, din ægtefælles ansigt?

Krediter et neuralt netværk, en form for kunstig intelligens, der i stigende grad bruges i dagligdags enheder. Neurale netværk er algoritmer, der er uddannet til at genkende mønstre og løbende forbedre deres evne til at gøre det - ligesom den menneskelige hjerne gør.

For at være så smart, neurale netværk kræver meget strøm, som hidtil har begrænset deres anvendelighed i små, batteridrevne enheder. Har du nogensinde spekuleret på, hvorfor din smartphone understøtter ansigts -ID, men dit smartwatch ikke gør det? Simpelthen fordi uret ikke har tilstrækkelig strøm til at understøtte det. Med et nyt tilskud fra National Science Foundation (NSF), University of Delaware lektor i el- og computerteknik Chengmo Yang undersøger måder at understøtte neurale netværk i laveffektindlejrede systemer ved at bruge nye hukommelsesenheder, der kan hente oplysninger, selv når de er slukket, og minimerer desuden fejl i disse nye enheder.

Hardware velegnet til neurale netværk

At bygge neurale netværk, ingeniører har brug for den rigtige kombination af hardware og software. Yang nærmer sig neurale netværk fra hardwaresiden.

"Min forskning arbejder på, hvordan man udvikler de næste generations enheder eller systemer eller computere, der er mere specialiserede til bestemte applikationer, "sagde Yang. Hun har især til formål at forbedre enheders levetid og pålidelighed, efterhånden som de i stigende grad bliver forbundet i en Internet-of-Things (IoT). Nogle af disse enheder, især low-end integrerede og IoT-enheder, ikke har nok hukommelsesplads eller nok batteristrøm til at køre neurale netværksalgoritmer.

"For eksempel, visse sensorer brugt udendørs, ikke er egnet til hyppig opladning af batterier, "sagde Yang." Du vil gerne kunne bruge det i årevis, men algoritmen for neuralt netværk kunne opdateres næsten hver uge eller hver måned. "

Løsningen kan ligge i brugen af ​​ikke-flygtig hukommelse, som ikke er afhængig af elektricitet til at gemme oplysninger. Med disse systemer, du mister ikke data, hvis du mister strøm.

"Nye enheder bruger fysiske egenskaber til at gemme værdier, "sagde Yang." For eksempel, materialet kan have to forskellige faser, der bruges til at gemme oplysninger, og når du ikke bruger det, du behøver ikke at levere strøm. "

Disse typer enheder kan blive udsat for visse typer fejl og blive påvirket negativt af ændringer i forhold som temperatur og fugtighed. Alle neurale netværk, der kører på disse enheder, kan derefter være i fare for fejl. Yang udvikler en ny måde at teste enheder og opdage, klassificere, og afbøde disse fejl i neurale netværk. Hun har til formål at bestemme den akkumulerede fejlgrænse, over hvilken det er tid til at omprogrammere eller opdatere enheder for at gendanne dem til deres oprindelige fejlfrie tilstande.

"Fordi opfriskning og omprogrammering kommer til at tage noget energi, du vil kun gøre det, når du ved, at det er nødvendigt, "sagde Yang.

Yang underviser i bacheloruddannelser i mikroprocessorer og integrerede systemer og har til formål at forberede kandidater til at tackle indviklede hardwareproblemer. Hun er også leder af et Vertically Integrated Projects (VIP) -team, der hedder Internet of Threats. Disse projekter parrer bachelorstuderende, kandidatstuderende og fakultetsmedlemmer til at arbejde sammen om virkelige projekter.

"Det er vigtigt for eleverne at lære om hardware -siden i datavidenskab. Når de fleste mennesker taler om datavidenskab og modeller, de tænker på software, ikke hvordan man implementerer disse modeller i deres hardware, "sagde Yang. Efterhånden som enhederne blev mere avancerede, disse færdigheder vil blive vigtigere, så Yang planlægger at lære eleverne at bruge hardware til at implementere robuste neurale netværksacceleratorer.

Hun underviser også i kandidatkurser i systempålidelighed, der hjælper eleverne med at identificere problematiske fejl og fejl i hardware.

"Når eleverne begynder at lære programmering, de antager, at selvom softwaren kan have fejl, hardwaren er altid god og troværdig, "sagde Yang." Den antagelse er ikke sand mere. "