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.
Читать также
В геноме коронавируса нашли скрытый ген, ответственный за пандемию
Ледник «Судного дня» оказался опаснее, чем думали ученые. Рассказываем главное
Выяснилось, что Вселенная нагревается. Температура выросла в 10 раз за 10 млрд лет