Key Takeaways
- Neue Forschungsergebnisse von MIT-Wissenschaftlern weisen den Weg, neuronale Netze in winzige Geräte zu integrieren.
- MCUNet ermöglicht Deep Learning auf Systemen mit begrenzter Rechenleistung und begrenztem Speicher.
- Die Innovation könnte auch intelligentere, agilere medizinische Geräte ermöglichen.
Intelligente Lautsprecher und andere Geräte, die das Internet der Dinge (IoT) bilden, könnten eines Tages neuronale Netze dazu bringen, mit weniger mehr zu erreichen, sagen Forscher.
Ein neues System namens MCUNet ermöglicht das Design winziger neuronaler Netze auf IoT-Geräten, selbst mit begrenztem Speicher und begrenzter Rechenleistung. Laut einem auf dem Preprint-Server Arxiv veröffentlichten Artikel von MIT-Wissenschaftlern könnte die Technologie intelligente Geräte mit neuen Fähigkeiten ausstatten und gleichzeitig Energie sparen und die Datensicherheit verbessern.
Die Forschung „ist eine dieser brillanten Ideen, die offensichtlich erscheinen, wenn man sie hört“, sagte John Suit, beratender CTO des Robotikunternehmens KODA, in einem E-Mail-Interview. "Es ist ein eleganter Ansatz für das Problem. Diese Forschung ist so bedeutsam, weil sie schließlich die Echtzeitoptimierung neuronaler Netze für jedes Gerät ermöglichen wird, bei dem die Ressourcen dem Algorithmus bekannt sein können."
Was das wirklich zeigt, ist, dass Macht nicht an Größe gebunden sein muss..
Große Berechnungen auf kleinen Geräten
IoT-Geräte laufen normalerweise auf Computerchips ohne Betriebssystem, was die Ausführung von Mustererkennungsaufgaben wie Deep Learning erschwert. Für eine intensivere Analyse werden die vom IoT gesammelten Daten oft in der Cloud verarbeitet, obwohl sie anfällig für Hacking sind.
Es gibt eine Menge, was neuronale Netze tun könnten, um die wachsende Zahl von IoT-Geräten zu verbessern, aber die Größe war ein Problem.
"Um die Netzwerke nach unten in das Gerät selbst zu verlegen, was sich als schwierig erwiesen hat, müssten Sie einen Weg finden, den Suchraum für eine Vielzahl von Mikrocontrollern zu optimieren", erklärte Suit. "Ein Standard- oder generisches System würde aufgrund der Ressourcentoleranzen auf IoT-Geräten nicht funktionieren. Stellen Sie sich sehr stromsparende, sehr kleine Prozessoren in Bezug auf die Verarbeitungsleistung vor."
Hier kommt die Arbeit der MIT-Forscher ins Spiel.
"Wie setzen wir neuronale Netze direkt auf diesen winzigen Geräten ein?" der Hauptautor der Studie, Ji Lin, ein Ph. D. Student in der Fakultät für Elektrotechnik und Informatik des MIT, sagte in einer Pressemitteilung. „Es ist ein neues Forschungsgebiet, das sehr heiß wird. Unternehmen wie Google und ARM arbeiten alle in diese Richtung."
TinyEngine zur Rettung
Die MIT-Gruppe entwarf zwei Komponenten, die für den Betrieb neuronaler Netze auf Mikrocontrollern notwendig sind. Ein Teil ist TinyEngine, das einem Betriebssystem ähnelt, den Code jedoch auf das Wesentliche reduziert. Ein weiterer ist TinyNAS, ein Suchalgorithmus für neuronale Architekturen.
"Wir haben viele Mikrocontroller mit unterschiedlichen Leistungskapazitäten und unterschiedlichen Speichergrößen", sagte Lin. „Also haben wir den Algorithmus [TinyNAS] entwickelt, um den Suchraum für verschiedene Mikrocontroller zu optimieren. Die kundenspezifische Natur von TinyNAS bedeutet, dass es kompakte neuronale Netze mit der bestmöglichen Leistung für einen bestimmten Mikrocontroller generieren kann – ohne unnötige Parameter. Dann liefern wir das Finale, effizientes Modell zum Mikrocontroller."
Es ist ein eleganter Ansatz für das Problem.
Lins Arbeit könnte zu intelligenteren, agileren medizinischen Geräten führen.
"Was das wirklich zeigt, ist, dass Macht nicht an Größe gebunden sein muss, und in Krankenhäusern, wo sich auf engem Raum alles schnell bewegt, kann das buchstäblich den Unterschied zwischen Leben und Tod bedeuten, " Kevin Goodwin, CEO von EchoNous, einem Unternehmen, das KI-unterstützte medizinische Geräte herstellt, sagte in einem E-Mail-Interview.
Goodwin sagte, sein Team habe Jahre damit verbracht, ein neuronales Netzwerk aufzubauen und zu trainieren, das dann verwendet werden könnte, um Herzstrukturen in einem Echtzeit-Ultraschallscan abzubilden - alles in einem tragbaren Gerät namens KOSMOS, das weniger als zwei Pfund wiegt.
"Jetzt können sich Ärzte problemlos von Raum zu Raum bewegen und erh alten Scans in diagnostischer Qualität mit KI-Anleitung", fügte er hinzu. "Sie müssen Patienten für diese Scans nicht woanders hinschicken oder wertvolle Zeit mit der Desinfektion von wagenbasierten Maschinen verlieren."
MCUNet ist ein aufregender Blick auf eine Welt, in der kleine Geräte intelligenter als je zuvor sein könnten. Da die Zahl der IoT-Geräte schnell wächst, werden wir nach allem Ausschau h alten, von intelligenten Haush altsgeräten bis hin zu medizinischen Geräten, die über eigene neuronale Netze verfügen.
