所有关于电路
消息

开发人员在机器学习基础上移动进入新的一年

2021年1月28日经过玛雅jeyendran.

机器学习在处理Covid-19数据的质量量时,对2020的强大影响。要在2021年进展ML,开发人员将在设备上的功能,低功耗架构和框架兼容性等功能上加倍。

机器学习(ML)对2020的外表影响前所未有,特别是在通过数据处理检测和跟踪Covid-19病毒时。研究人员受益于使用ML分析大量信息并为大量人民一般健康创造结论。

至于2021,在量子计算,机器人和边缘AI中可能存在巨大的ML应用潜力,以命名几个。

描绘机器中的阶段的流程图,学习AI过程。

机器学习AI流程步骤的高级流程图。使用的图像礼貌保存

在这些应用程序的核心处于硬件。特别是,三种硬件的想法对于ML硬件开发至关重要:设计朝向边缘,低功耗架构和与ML框架的兼容性。

将ML推到边缘:设备上的AI

在考虑使用和处理的大量数据时,边缘的智能正在变得更加必要。在设计Edge AI时,设计人员必须考虑许多限制电源,电路板空间和计算时间。

On-Device AI解决了其中一些问题,允许局部处理,这有助于减少云计算的应变,同时也更快,更高效。beplay体育app 苹果许多制造商实现了这种好处,并试图在智能手机,车辆和物联网等各种应用中包含设备上的设备。通过设计边缘,工程师可以给产品具有竞争优势当它到达市场时。

最近在边缘的AI硬件开发是LG的LG8111,SoC和开发板。该SOC和开发板包括LG特定的AI处理器和AI加速器。这些设备一起支持语音,视频,图像和控制智能等各种AI处理功能。

LG8111 SoC和开发板

LG8111 SOC和开发板。使用的图像礼貌LG.

该芯片还支持ASW IOT GreenGrass,从而允许该SoC和开发板托管各种应用和解决方案,具体取决于设备。

具有DSP和NN处理器的低功耗架构

权力是最重要的考虑之一在边缘设计时。机器学习涉及大量数据;因此,在设计系统时需要消除电力浪费。

实现低功耗架构的一种方法是使用低功耗D.Igital信号处理器(DSP)和专用NN(神经网络)处理器。DSP组将此低功耗方案置于其行动新的DVM10DSP和NnetLite NN处理器。此结构允许在两个处理器之间进行不同的功率,具体取决于安装的算法和框架。

此设置还允许处理器分开读取数据和指定任务的过程,可以导致功耗更少比用所有任务重载一个处理器。

支持DBM10的应用程序和看实际的SoC

支持DBM10的应用程序和查看实际SOC。使用的图像礼貌DSPG.

这种处理器的组合允许SOC支持〜500μW的超低功率推理,这对于大多数语音NN算法是典型的。

与ML框架的兼容性

虽然编程和软件应用程序似乎与硬件设计分开,但它变得越来越多的灰色区域,特别是在ml中。因此,有必要知道设备将使用的框架。根据产品或用户的需求,拥有可以与各种ML框架兼容的处理器可能是有益的。

Ambarella的CV5处理器是最近框架兼容性的例子。CV5与Caffe,Pytorch,Tensorflow和Onnx等共同的ML框架兼容。在框架兼容性中的这种灵活性使用户可以将其神经网络集成到设备中的多个选项。

ML在2021年:量子机器学习?

2021年预测的一个主要趋势是机器学习的整合量子计算,配音“量子机学习”。根据量子,量子机器学习指“一个旨在编写量子算法来执行机器学习任务的字段”。

某些机器学习算法过于复杂和劳动密集型,用于处理古典计算机。使用量子ML,研究人员可以将经典ML算法转换为量子电路,允许它们在量子计算机上有效运行。

古典机器学习(CML)与量子机学习(GML)

古典机器学习(CML)与量子机学习(GML)。使用的图像礼貌ICFO

这个新的领域可以为量子计算的商业化铺平道路,同时增强了去年我们看到的机器学习的好处。

随着大流行仍在继续,需要快速,准确的数据处理是必要的。通过使用董事会级设计选择扩展和发展ML,设计人员可以将ML推到边缘并解决了不断增加的数据处理负担。