Dine smarte gadgets kunne blive smartere

Smarthøjttalere og andre enheder, der udgør tingenes internet (IoT), kunne en dag få det neurale netværkskraft til at gøre mere med mindre, siger forskere.

Et nyt system kaldet MCUNet tillader design af bittesmå neurale netværk på IoT-enheder, selv med begrænset hukommelse og processorkraft. Ifølge et papir fra MIT-forskere udgivet på preprint-serveren Arxiv, kan teknologien bringe nye muligheder til smarte enheder, samtidig med at den sparer energi og forbedrer datasikkerheden.

Forskningen "er en af ​​de geniale ideer, der virker indlysende, når du hører den," John Suit, rådgiver CTO hos robotvirksomheden KODA, sagde i et e-mailinterview. "Det er en elegant tilgang til problemet. Denne forskning er så vigtig, fordi de i sidste ende vil give mulighed for realtidsoptimering af neurale netværk for enhver enhed, hvor ressourcerne kan kendes af algoritmen."

Store beregninger på små enheder

IoT-enheder kører normalt på computerchips uden operativsystem, hvilket gør det vanskeligt at køre mønstergenkendelsesopgaver som deep learning. For mere intens analyse behandles IoT-indsamlede data ofte i skyen, selvom det er sårbart over for hacking.

Der er meget, som neurale netværk kan gøre for at forbedre det voksende antal IoT-enheder, men størrelsen har været et problem.

”For at flytte netværkene ned i selve enheden, hvilket har vist sig svært, skal du ville være nødt til at finde en måde at optimere søgerummet for en række mikrocontrollere," Suit forklaret. "Et standard eller generisk system ville ikke fungere på grund af ressourcetolerancerne på IoT-enheder. Tænk meget lav effekt, meget små processorer med hensyn til processorkraft."

Det er her arbejdet fra MIT-forskerne kommer ind.

"Hvordan installerer vi neurale net direkte på disse små enheder?" undersøgelsens hovedforfatter, Ji Lin, en Ph.D. studerende i MIT's Institut for Elektroteknik og Datalogi, sagde i en pressemeddelelse. "Det er et nyt forskningsområde, der bliver meget varmt. Virksomheder som Google og ARM arbejder alle i denne retning."

TinyEngine til undsætning

MIT-gruppen designede to komponenter, der er nødvendige for driften af ​​neurale netværk på mikrocontrollere. Den ene del er TinyEngine, som ligner et operativsystem, men stripper koden ned til dets væsentligste. En anden er TinyNAS, en neural arkitektur søgealgoritme.

"Vi har en masse mikrocontrollere, der kommer med forskellige strømkapaciteter og forskellige hukommelsesstørrelser," sagde Lin. "Så vi udviklede algoritmen [TinyNAS] til at optimere søgerummet for forskellige mikrocontrollere. Den tilpassede karakter af TinyNAS betyder, at den kan generere kompakte neurale netværk med den bedst mulige ydeevne for en given mikrocontroller - uden unødvendige parametre. Så leverer vi den endelige, effektive model til mikrocontrolleren."

Lins arbejde kunne oversættes til at lave smartere, mere adræt medicinsk udstyr.

"Det, dette virkelig viser, er, at magt ikke behøver at være bundet til størrelse, og på hospitaler, hvor alting bevæger sig hurtigt i trange rum, hvilket bogstaveligt talt kan betyde forskellen mellem liv og død," Kevin Goodwin, administrerende direktør for EchoNous, en virksomhed, der laver AI-assisteret medicinsk udstyr, sagde i et e-mailinterview.

Goodwin sagde, at hans team brugte år på at opbygge og træne et neuralt netværk, som derefter kunne bruges til at kortlægge hjertet strukturer i en ultralydsscanning i realtid - alt sammen i en håndholdt enhed kaldet KOSMOS, der vejer under to pund.

"Nu kan læger nemt flytte fra rum til rum og få scanninger i diagnostisk kvalitet med AI-vejledning," tilføjede han. "De behøver ikke at sende patienter andre steder til disse scanninger eller miste kritisk tid på at desinficere vognbaseret maskineri."

MCUNet er et spændende kig på en verden, hvor små gadgets kunne være smartere end nogensinde. Da antallet af IoT-enheder vokser hurtigt, vil vi lede efter alt fra smarte apparater til medicinsk udstyr for at have deres egne neurale netværk.