Sind Bugs die Zukunft der KI im Internet der Dinge?

Forscher untersuchen, wie die Funktionen spezifischer Insektennervensysteme den Funktionen ähneln, die von deterministischen, probabilistischen, flüchtigen und nichtflüchtigen Speichern ausgeführt werden, und untersuchen, wie diese Funktionen in hochleistungsfähigen, energieeffizienten Nanosystemen auf Siliziumbasis für die KI nachgebildet werden könnten .

In einer Ecke der KI/ML-Welt tut NVIDIA sein Bestes, um jeden, der seine Zehen ins Training stecken möchte, davon zu überzeugen, dass mehr rohe Kraft die Antwort ist. Auf der anderen Seite gab CEA-Leti kürzlich bekannt, dass Elisa Vianello, eine Koordinatorin des Edge-KI-Programms, einen Zuschuss in Höhe von 3 Millionen Euro vom Europäischen Forschungsrat (ERC) erhalten hat, um neue Edge-KI-Systeme zu entwickeln, die von Insektennervensystemen inspiriert sind.

Laut Vianello besteht eine der größten Herausforderungen bei der direkten Einführung von KI in IoT-Geräte, die es ihnen ermöglichen würden, autonome Entscheidungen auf der Grundlage des Vergleichs von Sensoreingaben mit trainierten Daten und Entscheidungsbäumen zu treffen, darin, dass die aktuellen Chiparchitekturen bis zu 90 % ihrer Ressourcen verschwenden Gesamtenergieverbrauch für das Verschieben von Daten, nicht für deren Verarbeitung.

Siehe auch: Forscher übertreffen Spracherkennungsmethoden mit Hilfe von Honigbienen

Aufgrund dieser Verschwendung sind IoT-Geräte entweder in ihren KI-Fähigkeiten behindert oder müssen physisch an eine stabile Stromversorgung angeschlossen werden, was bedeutet, dass sie nicht annähernd so flexibel sind, wie viele Unternehmen es gerne hätten. Doppelt so für eine vorgeschlagene Anwendung, implantierbare medizinische Diagnose-Mikrochips, die stark vom Vertrauen des Benutzers in die Zuverlässigkeit des Geräts abhängen würden.

Was ist das Schlimme, wenn es um kleine Geräte geht? Es gibt einfach keinen Speichertyp, der hochverdichtet, hochauflösend, nicht flüchtig und endlos ausdauernd ist. Laut Vianello haben viele Industrielabore und Forschungszentren versucht, In-Memory-Architekturen im Nanomaßstab zu entwickeln, die In-Memory-Verarbeitung verwenden, aber die Ergebnisse waren bestenfalls gemischt. DRAM zum Beispiel ist flüchtig, was bedeutet, dass sein Inhalt gelöscht wird, wenn die Stromversorgung unterbrochen wird – ein wahrscheinliches Ereignis in vielen IoT-Umgebungen. Nichtflüchtige Speichertypen wie NVRAM haben im Laufe der Jahre eine dramatisch verbesserte Lebensdauer; Sie sind immer noch nicht völlig unfehlbar.

Vianello und ihr Team werden die Fördergelder verwenden, um zu erforschen, wie die Funktionen bestimmter Insektennervensysteme den Funktionen ähneln, die von deterministischen, probabilistischen, flüchtigen und nichtflüchtigen Speichern ausgeführt werden, und dann untersuchen, wie diese in „Hochleistungsenergie“ nachgebildet werden könnten -effiziente, siliziumbasierte Nanosysteme.“ Vianello sagt:„Grillen treffen genaue Entscheidungen basierend auf trägen, ungenauen und unzuverlässigen Neuronen und Synapsen, um ihren Feinden zu entkommen. Bei genauer Betrachtung ihrer Biologie identifizierten wir eine Vielzahl von gedächtnisähnlichen Funktionen, die in ihren Sinnes- und Nervensystemen eine Rolle spielen. Durch die Kombination dieser verschiedenen Funktionen erreicht das interne Computersystem der Grille eine erstaunliche Leistung und Energieeffizienz.“

Zum Beispiel haben Grillen mehrere Sensoren an ihrem Körper, zusammen mit zahlreichen lokalen Verarbeitungseinheiten in ihrem Unterleib, die in der Lage sind, kontinuierlich zu lernen und Entscheidungen zu treffen, ohne das zentrale Gehirn einzubeziehen. Da es über ein verteiltes Computersystem verfügt, trifft es Entscheidungen schneller – ohne dass Daten vor der Verarbeitung von einem Ort zum anderen übertragen werden müssen.

Das Ziel ist eine hybride Synapse, die mehr als eine Speichertechnologie in einem kleinen, IoT-freundlichen Maßstab integrieren kann, was helfen würde, die Fehler jedes Systems zu überwinden und zumindest einen Teil der Energie zu eliminieren, die beim Übertragen von Daten verschwendet wird, anstatt sie mit KI zu verarbeiten /ML-Algorithmen. Das Team von Vianello hofft, kleine Mengen verrauschter Daten, wie sie beispielsweise von Videokameras, Radar oder EKG-Geräten erfasst werden, zu nutzen und die Arten des Lernens zu ermöglichen, die mit der aktuellen IoT-Computing-Architektur nicht möglich sind.

Neue Produkte, die von neuen Erkenntnissen des Vianello-Teams angetrieben werden, sind wahrscheinlich noch viele Jahre entfernt, und neue Paradigmen sind in der sich schnell verändernden IoT-Welt willkommen. Mit 46 % der Unternehmen, die ihre 5G-Einführung vorantreiben, mehreren praktikablen Standards für Edge-Computing und mehr ereignisgesteuerten Architekturen, die am Edge bereitgestellt werden, ist die Nachfrage nach einem schnelleren, effizienteren und mikroskaligeren IoT bereits da.