ทีมที่นำโดยมหาวิทยาลัยแห่งแคลิฟอร์เนียซานดิเอโกได้ปรับปรุงแนวทางการวางแบบร่วมซอฟต์แวร์อุปกรณ์ที่มีระบบประสาทซึ่งสามารถทำให้การฝึกอบรมเครือข่ายประสาทมีคุณภาพแล้วก็รวดเร็วเพิ่มขึ้น เกม ออนไลน์ วันหนึ่งงานของพวกเขาทำให้สามารถฝึกอบรมเครือข่ายประสาทเทียมบนเครื่องใช้ไม้สอยที่ใช้พลังงานต่ำยกตัวอย่างเช่นสมาร์ทโฟนแล็ปท็อปและเครื่องมือฝังตัว


ความเจริญได้ชี้แจงไว้ภายในเอกสารที่เผยแพร่เมื่อเร็วๆนี้ใน Nature Communications

การฝึกอบรมเครือข่ายนิวรัลเพื่อปฏิบัติงานดังเช่นว่าจำวัตถุนำทางรถยนต์ที่ขับด้วยตัวเองหรือเล่นเกมกินพลังงานรวมทั้งเวลาสำหรับเพื่อการคำนวณมาก โดยธรรมดาคอมพิวเตอร์ขนาดใหญ่ที่มีตัว เกม ออนไลน์ ประเมินผลหลายแสนถึงพันต้องเรียนรู้งานกลุ่มนี้และก็เวลาการฝึกอบรมสามารถใช้ได้ทุกที่ตั้งแต่อาทิตย์จนถึงเดือน

โน่นเป็นเนื่องจากว่าการคำนวณเหล่านี้เกี่ยวเนื่องกับการถ่ายโอนข้อมูลไปๆมาๆระหว่างหน่วยที่แยกกันสองหน่วยความจำและหน่วยประเมินผลรวมทั้งสิ่งนี้ใช้พลังงานแล้วก็เวลาส่วนมากในระหว่างการฝึกอบรมโครงข่ายประสาทเทียมนักเขียนอาวุโส Duygu Kuzum ศาสตราจารย์วิชากระแสไฟฟ้าแล้วก็คอมพิวเตอร์วิศวกรรมที่ Jacobs School of Engineering ที่ UC San Diego

เกม ออนไลน์ เพื่อขจัดปัญหานี้ Kuzum แล้วก็ห้องทดลองของคุณได้ร่วมมือกับ Adesto Technologies ในการพัฒนาฮาร์ดแวร์แล้วก็อัลกอริทึมที่อนุญาตให้ทำคำนวณเหล่านี้ได้โดยตรงในหน่วยความจำทำให้ไม่จำเป็นที่จะต้องสลับข้อมูลซ้ำๆ

Yuhan Shi 
วิศวกรไฟฟ้าระดับปริญญาเอกพูดว่า“ พวกเรากำลังขจัดปัญหานี้จากปลายทั้งคู่ด้าน – อุปกรณ์และอัลกอริทึม – เพื่อเพิ่มประสิทธิภาพการใช้พลังงานในระหว่างการฝึกอบรมโครงข่ายประสาทเทียม นักศึกษาในกลุ่มวิจัยของ Kuzum ที่ UC San Diego

ส่วนประกอบฮาร์ดแวร์เป็นเทคโนโลยีหน่วยความจำแบบไม่เลือนอย่างประหยัดพลังงาน – อาเรย์ย่อยขนาด 512 กิโลบิตต่อวินาที Conductive Bridging RAM (CBRAM) ใช้พลังงานน้อยกว่าเทคโนโลยีหน่วยความจำชั้นแนวหน้า เกม ออนไลน์ ในขณะนี้ 10 ถึง 100 เท่า เครื่องใช้ไม้สอยดังที่กล่าวมาข้างต้นใช้เทคโนโลยีหน่วยความจำ CBRAM ของ Adesto โดยส่วนมากจะใช้เป็นเครื่องใช้ไม้สอยเก็บข้อมูลดิจิทัลที่มีสถานะเป็น ‘0’ และก็ ‘1’ เท่านั้น แต่ว่า Kuzum รวมทั้งห้องทดลองของคุณชี้ให้เห็นว่าสามารถตั้งโปรแกรมให้มีสถานะอะทุ่งนาล็อกหลายสถานะเลียนแบบทางชีวภาพในสมองของคนเรา เครื่องไม้เครื่องมือ synaptic ที่เรียกว่านี้สามารถใช้เพื่อการคำนวณในหน่วยความจำสำหรับการฝึกอบรมเครือข่ายประสาท


หน่วยความจำบนชิปในโปรเซสเซอร์ทั่วไปนั้นมี จำกัด มากด้วยเหตุนี้ก็เลยปราศจากความจุพอเพียงที่จะทำประเมินผล เกม ออนไลน์ และเก็บข้อมูลบนชิปตัวเดียวกัน แม้กระนั้นด้วยแนวทางแบบนี้เรามีหน่วยความจำปริมาตรสูงที่สามารถกระทำการคำนวณที่เกี่ยวโยงกับระบบประสาท การฝึกอบรมโครงข่ายในหน่วยความจำโดยไม่ต้องถ่ายโอนข้อมูลไปยังโปรเซสเซอร์ภายนอกซึ่งจะช่วยทำให้มีประสิทธิภาพเพิ่มมากขึ้นการทำงานแล้วก็ลดการใช้พลังงานในระหว่างการฝึกอบรม “Kuzum กล่าว


Kuzum 
ซึ่งเป็นผู้สนับสนุนกับศูนย์คอมพิวเตอร์และการดูแลรักษาความปลอดภัยแบบบูรณาการที่ UC San Diego นำความเพียรพยายามในการพัฒนาอัลกอริทึมซึ่งสามารถแมปเข้ากับอาร์เรย์วัสดุอุปกรณ์synaptic นี้ได้อย่างง่ายๆ อัลกอริธึมช่วยลดการใช้พลังงานรวมทั้งเวลาได้มากขึ้นในระหว่างการฝึกอบรมโครงข่ายประสาทเทียม

วิธีการนี้ใช้โครงข่ายประสาทแบบประหยัดพลังงานประเภทหนึ่งที่เรียกว่าเครือข่ายประสาทแบบ spiking สำหรับในการใช้การศึกษาแบบไม่มีผู้ดูแลในฮาร์ดแวร์ ยิ่งไปกว่านั้นทีมงานของKuzum ยังคงใช้อัลกอริทึมการประหยัดพลังงานอีกแบบที่พวกเขาพัฒนาขึ้นเรียกว่า การตัดแต่งกิ่งนุ่ม” ซึ่งทำให้การฝึกอบรมโครงข่ายประสาทมีคุณภาพมากเพิ่มขึ้นโดยไม่ต้องเอื้อเฟื้อในแง่ของความเที่ยงตรง