Se possiedi uno smartphone con riconoscimento facciale, potresti esserti chiesto:in che modo il tuo dispositivo impara a riconoscere il tuo viso rispetto a, dire, il viso di tua moglie?

Accreditare una rete neurale, una forma di intelligenza artificiale sempre più utilizzata nei dispositivi di tutti i giorni. Le reti neurali sono algoritmi addestrati per riconoscere schemi e migliorare continuamente la loro capacità di farlo, proprio come fa il cervello umano.

Per essere così intelligente, le reti neurali richiedono molta potenza, che finora ha limitato la loro utilità nel piccolo, dispositivi alimentati a batteria. Ti sei mai chiesto perché il tuo smartphone supporta il Face ID ma il tuo smartwatch no? Semplicemente perché l'orologio non ha una potenza sufficiente per sostenerlo. Con una nuova sovvenzione della National Science Foundation (NSF), Chengmo Yang, professore associato di ingegneria elettrica e informatica dell'Università del Delaware, sta ricercando modi per supportare le reti neurali in sistemi embedded a bassa potenza utilizzando dispositivi di memoria emergenti in grado di recuperare informazioni anche quando sono spenti, e inoltre ridurre al minimo gli errori in questi dispositivi emergenti.

Hardware adatto per reti neurali

Per costruire reti neurali, gli ingegneri hanno bisogno della giusta combinazione di hardware e software. Yang si sta avvicinando alle reti neurali dal lato hardware.

"La mia ricerca si concentra su come sviluppare dispositivi o sistemi o computer di nuova generazione più specializzati per determinate applicazioni, " ha affermato Yang. Mira in particolare a migliorare la durata e l'affidabilità dei dispositivi man mano che diventano sempre più connessi in un Internet-of-Things (IoT). Alcuni di questi dispositivi, in particolare dispositivi embedded e IoT di fascia bassa, non si dispone di spazio di memoria sufficiente o di carica della batteria sufficiente per eseguire algoritmi di rete neurale.

"Per esempio, alcuni sensori utilizzati all'aperto, non sono adatti per la ricarica frequente della batteria, " disse Yang. "Vuoi essere in grado di usarlo per anni, ma l'algoritmo della rete neurale potrebbe essere aggiornato quasi ogni settimana o ogni mese".

La soluzione potrebbe risiedere nell'utilizzo della memoria non volatile, che non si basa sull'elettricità per memorizzare le informazioni. Con questi sistemi, non perdi dati se perdi potenza.

"I dispositivi emergenti utilizzano proprietà fisiche per memorizzare valori, " disse Yang. "Per esempio, il materiale potrebbe avere due diverse fasi che servono per memorizzare le informazioni, e quando non lo usi, non è necessario fornire alcun potere."

Questi tipi di dispositivi possono essere soggetti a determinati tipi di errori ed essere influenzati negativamente da variazioni di condizioni quali temperatura e umidità. Eventuali reti neurali in esecuzione su questi dispositivi potrebbero quindi essere a rischio di errori. Yang sta sviluppando un nuovo modo per testare i dispositivi e rilevare, classificare, e mitigare questi errori nelle reti neurali. Ha lo scopo di determinare la soglia di errore accumulata oltre la quale è il momento di riprogrammare o aggiornare i dispositivi in ​​modo da ripristinarli ai loro stati originali privi di errori.

"Perché rinfrescare e riprogrammare richiederà un po' di energia, vuoi farlo solo quando sai che è necessario, " ha detto Yang.

Yang tiene corsi di laurea in microprocessori e sistemi embedded e mira a preparare gli studenti ad affrontare complessi problemi hardware. È anche la leader di un team di progetti integrati verticalmente (VIP) chiamato Internet of Threats. Questi progetti abbinano studenti universitari, studenti laureati e docenti per lavorare in modo collaborativo su progetti del mondo reale.

"È importante che gli studenti conoscano il lato hardware della scienza dei dati. Quando la maggior parte delle persone parla di scienza dei dati e modelli, pensano al software, non come implementare questi modelli nel loro hardware, " ha detto Yang. Man mano che i dispositivi diventano più avanzati, queste abilità diventeranno più importanti, così Yang intende insegnare agli studenti come utilizzare l'hardware per implementare robusti acceleratori di reti neurali.

Insegna anche corsi di laurea in affidabilità dei sistemi che aiutano gli studenti a identificare guasti ed errori problematici nell'hardware.

"Quando gli studenti iniziano a imparare a programmare, presumono che sebbene il software possa avere bug, l'hardware è sempre buono e affidabile, " ha detto Yang. "Questa ipotesi non è più vera."