Als je een smartphone met gezichtsherkenning hebt, u heeft zich misschien afgevraagd:hoe leert uw apparaat uw gezicht te herkennen in plaats van, zeggen, het gezicht van je partner?

Krediet een neuraal netwerk, een vorm van kunstmatige intelligentie die steeds vaker wordt gebruikt in alledaagse apparaten. Neurale netwerken zijn algoritmen die zijn getraind om patronen te herkennen en hun vermogen om dit te doen voortdurend te verbeteren, net zoals het menselijk brein dat doet.

Om zo slim te zijn, neurale netwerken vereisen veel stroom, die tot nu toe hun bruikbaarheid heeft beperkt in kleine, apparaten op batterijen. Heb je je ooit afgevraagd waarom je smartphone Face ID ondersteunt en je smartwatch niet? Simpelweg omdat het horloge niet voldoende kracht heeft om het te ondersteunen. Met een nieuwe subsidie ​​van de National Science Foundation (NSF), University of Delaware Universitair hoofddocent elektrische en computertechniek Chengmo Yang onderzoekt manieren om neurale netwerken in ingebedde systemen met laag vermogen te ondersteunen door gebruik te maken van opkomende geheugenapparaten die informatie kunnen ophalen, zelfs wanneer ze zijn uitgeschakeld, en bovendien fouten in deze opkomende apparaten te minimaliseren.

Hardware geschikt voor neurale netwerken

Om neurale netwerken te bouwen, ingenieurs hebben de juiste combinatie van hardware en software nodig. Yang benadert neurale netwerken vanaf de hardwarekant.

"Mijn onderzoek richt zich op het ontwikkelen van de volgende generatie apparaten of systemen of computers die meer gespecialiseerd zijn voor bepaalde toepassingen, ", zegt Yang. Ze streeft er vooral naar om de levensduur en betrouwbaarheid van apparaten te verbeteren, aangezien ze steeds meer verbonden raken in een Internet-of-Things (IoT). Sommige van deze apparaten, vooral low-end embedded en IoT-apparaten, niet genoeg geheugenruimte of voldoende batterijvermogen hebben om neurale netwerkalgoritmen uit te voeren.

"Bijvoorbeeld, bepaalde sensoren die buitenshuis worden gebruikt, zijn niet geschikt voor veelvuldig opladen van batterijen, " zei Yang. "Je wilt het jarenlang kunnen gebruiken, maar het neurale netwerkalgoritme zou bijna elke week of elke maand kunnen worden bijgewerkt."

De oplossing zou kunnen liggen in het gebruik van niet-vluchtig geheugen, die niet afhankelijk is van elektriciteit om informatie op te slaan. Met deze systemen u verliest geen gegevens als u de stroom verliest.

"Opkomende apparaten gebruiken fysieke eigenschappen om waarden op te slaan, " zei Yang. "Bijvoorbeeld, het materiaal kan twee verschillende fasen hebben die worden gebruikt om informatie op te slaan, en als je het niet gebruikt, je hoeft geen stroom te leveren."

Dit soort apparaten kan onderhevig zijn aan bepaalde soorten fouten en negatief worden beïnvloed door veranderingen in omstandigheden zoals temperatuur en vochtigheid. Alle neurale netwerken die op deze apparaten draaien, lopen dan het risico op fouten. Yang ontwikkelt een nieuwe manier om apparaten te testen en te detecteren, classificeren, en deze fouten in neurale netwerken te verminderen. Ze wil de geaccumuleerde foutdrempel bepalen waarboven het tijd is om apparaten te herprogrammeren of te vernieuwen om ze in hun oorspronkelijke foutvrije toestand te herstellen.

"Omdat opfrissen en herprogrammeren wat energie gaat kosten, je wilt het alleen doen als je weet dat het nodig is, " zei Yang.

Yang doceert niet-gegradueerde cursussen in microprocessors en embedded systemen en heeft tot doel studenten voor te bereiden om ingewikkelde hardwareproblemen aan te pakken. Ze is ook de leider van een Vertically Integrated Projects (VIP)-team genaamd Internet of Threats. Deze projecten koppelen niet-gegradueerde studenten, afgestudeerde studenten en docenten om samen te werken aan real-world projecten.

"Het is belangrijk dat studenten meer te weten komen over de hardwarekant van datawetenschap. Wanneer de meeste mensen praten over datawetenschap en modellen, ze denken aan software, niet hoe ze deze modellen in hun hardware moeten implementeren, " zei Yang. Naarmate apparaten geavanceerder worden, deze vaardigheden zullen belangrijker worden, daarom is Yang van plan om studenten te leren hoe ze hardware kunnen gebruiken om robuuste neurale netwerkversnellers te implementeren.

Ze geeft ook graduate cursussen in systeembetrouwbaarheid die studenten helpen problematische fouten en fouten in hardware te identificeren.

"Als studenten leren programmeren, ze gaan ervan uit dat, hoewel de software bugs kan bevatten, de hardware is altijd goed en betrouwbaar, "zei Yang. "Die veronderstelling is niet meer waar."