Không còn nghi ngờ gì nữa, hai lĩnh vực kỹ thuật rộng lớn đã phát triển với tốc độ ngày càng nhanh trong thập kỷ qua: Trí tuệ nhân tạo (AI) và Internet of Things (IoT) Bằng cách xuất sắc trong các nhiệm vụ như phân tích dữ liệu, nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên, các hệ thống AI đã trở thành công cụ mạnh mẽ không thể phủ nhận trong cả môi trường học thuật và ngành Có nghĩa là, thu nhỏ và tiến bộ trong thiết bị điện tử đã giúp giảm quy mô lớn của các thiết bị chức năng có khả năng kết nối với Internet Các kỹ sư và nhà nghiên cứu đều thấy trước một thế giới nơi các thiết bị IoT có mặt khắp nơi, hoàn thành nền tảng của một thế giới được kết nối cao

Tuy nhiên, việc mang các khả năng AI cho các thiết bị IoT Edge đưa ra một thách thức đáng kể Mạng lưới tế bào thần kinh nhân tạo (ANN) của các công nghệ AI quan trọng nhất của các tài nguyên tính toán đáng kể Trong khi đó, các thiết bị IoT Edge rất nhỏ, với công suất hạn chế, tốc độ xử lý và không gian mạch Phát triển ANN có thể học, triển khai và vận hành trên các thiết bị cạnh là một trở ngại lớn

Đáp lại, Giáo sư Takayuki Kawahara và ông Yuya Fujiwara từ Đại học tỷ lệ kèo nhà cái net học Tokyo, đang làm việc chăm chỉ để tìm kiếm các giải pháp thanh lịch cho thách thức này Trong nghiên cứu mới nhất của họXuất bản trongAccess IEEE2353_2625

2655_2870Giải thích Kawahara,"Tuy nhiên, mặc dù trọng số và giá trị kích hoạt có thể được lưu trữ trong một bit trong quá trình suy luận, trọng lượng và độ dốc là số thực trong quá trình học, và hầu hết các tính toán được thực hiện trong quá trình học là tính toán số thực

Để khắc phục điều này, các nhà nghiên cứu đã phát triển một thuật toán đào tạo mới có tên là Ternarized Gradient BNN (TGBNN), với ba đổi mới quan trọng Đầu tiên, nó sử dụng độ dốc ternary trong quá trình đào tạo, trong khi giữ trọng lượng và kích hoạt nhị phân Thứ hai, họ đã tăng cường đường thẳng thông qua công cụ ước tính (STE), cải thiện việc kiểm soát quá trình đánh dấu dốc để đảm bảo học tập hiệu quả Thứ ba, họ đã áp dụng một cách tiếp cận xác suất để cập nhật các tham số bằng cách tận dụng hành vi của các tế bào MRAM

Sau đó, nhóm nghiên cứu đã triển khai thuật toán TGBNN mới này trong một kiến trúc CIM, một mô hình thiết kế hiện đại nơi các tính toán được thực hiện trực tiếp trong bộ nhớ, thay vì trong bộ xử lý chuyên dụng, để tiết kiệm không gian mạch và năng lượng Để nhận ra điều này, họ đã phát triển một cổng logic XNOR hoàn toàn mới làm khối xây dựng cho một mảng bộ nhớ truy cập ngẫu nhiên (MRAM) từ tính Cổng này sử dụng đường hầm từ tính để lưu trữ thông tin ở trạng thái từ hóa của nó

Để thay đổi giá trị được lưu trữ của một tế bào MRAM riêng lẻ, các nhà nghiên cứu đã tận dụng hai cơ chế khác nhau Đầu tiên là mô-men xoắn xoay tròn, lực xảy ra khi dòng spin điện tử được bơm vào một vật liệu Thứ hai là dị hướng từ tính điều khiển điện áp, đề cập đến sự thao túng của hàng rào năng lượng tồn tại giữa các trạng thái từ tính khác nhau trong một vật liệu Cảm ơn các phương pháp này, kích thước của mạch tính toán sản phẩm đã giảm xuống một nửa so với các đơn vị thông thường

Nhóm đã kiểm tra hiệu suất của hệ thống CIM dựa trên MRAM được đề xuất của họ cho các BNN bằng cách sử dụng bộ dữ liệu viết tay MNist, chứa hình ảnh của các chữ số viết tay cá nhân mà ANN phải nhận ra5012_5284Ghi chú Kawahara"Chúng tôi tin rằng thiết kế của chúng tôi sẽ cho phép các BNN hiệu quả trên các thiết bị cạnh, bảo tồn khả năng học và thích nghi của chúng"

Đột phá này có thể mở đường cho các thiết bị IoT mạnh mẽ có khả năng tận dụng AI ở mức độ lớn hơn Điều này có ý nghĩa đáng chú ý đối với nhiều lĩnh vực phát triển nhanh chóng Ví dụ, các thiết bị theo dõi sức khỏe có thể đeo có thể trở nên hiệu quả hơn, nhỏ hơn và đáng tin cậy mà không cần kết nối đám mây mọi lúc để hoạt động Tương tự, các ngôi nhà thông minh sẽ có thể thực hiện các nhiệm vụ phức tạp hơn và hoạt động theo cách phản ứng nhanh hơn Trên những trường hợp sử dụng này và tất cả các trường hợp sử dụng có thể khác, thiết kế được đề xuất cũng có thể làm giảm mức tiêu thụ năng lượng, do đó góp phần vào các mục tiêu bền vững

Chúng ta hy vọng các nghiên cứu tiếp theo dẫn đến sự tích hợp liền mạch của AI vào thiết bị IoT & excl;

Tiêu đề hình ảnh:Nhận ra các mạng thần kinh trên các thiết bị cạnh
Chú thích hình ảnh:6513_6832
Tín dụng hình ảnh:Takayuki Kawahara từ Đại học tỷ lệ kèo nhà cái net học Tokyo
Loại giấy phép:Nội dung gốc
Hạn chế sử dụng:tín dụng phải được trao cho người tạo

Về Đại học tỷ lệ kèo nhà cái net học Tokyo

tỷ lệ kèo góc nhà cái Đại học Khoa học Tokyo(TUS) là một trường đại học nổi tiếng và được kính trọng, và là trường đại học nghiên cứu tư nhân chuyên tỷ lệ kèo nhà cái net tỷ lệ kèo nhà cái net học lớn nhất ở Nhật Bản, với bốn cơ sở ở trung tâm Tokyo và vùng ngoại ô của nó và ở Hokkaido Được thành lập vào năm 1881, trường đại học đã liên tục đóng góp cho sự phát triển của Nhật Bản trong tỷ lệ kèo nhà cái net học thông qua việc khắc sâu tình yêu đối với tỷ lệ kèo nhà cái net học trong các nhà nghiên cứu, kỹ thuật viên và nhà giáo dục

Với sứ mệnh "tạo ra tỷ lệ kèo nhà cái net học và công nghệ cho sự phát triển hài hòa của tự nhiên, con người và xã hội", TUS đã thực hiện một loạt các nghiên cứu từ tỷ lệ kèo nhà cái net học cơ bản đến tỷ lệ kèo nhà cái net học ứng dụng TUS đã chấp nhận một cách tiếp cận đa ngành để nghiên cứu và thực hiện nghiên cứu chuyên sâu trong một số lĩnh vực quan trọng nhất hiện nay TUS là một công đức nơi tốt nhất trong tỷ lệ kèo nhà cái net học được công nhận và chăm sóc Đây là trường đại học tư duy nhất ở Nhật Bản đã sản xuất một người chiến thắng giải thưởng Nobel và là trường đại học tư duy nhất ở châu Á sản xuất những người chiến thắng giải thưởng Nobel trong lĩnh vực tỷ lệ kèo nhà cái net học Tự nhiên