Potenziare l'IoT con reti neurali ottimizzate per l'elaborazione ai margini

RomeIntelligenza artificiale (IA) e Internet delle cose (IoT) stanno evolvendo rapidamente e possono collaborare per migliorare la tecnologia. Tuttavia, implementare IA sui dispositivi IoT è complesso a causa della loro limitata capacità di elaborazione e memoria. Le reti neurali artificiali (ANN) sono potenti ma richiedono molte risorse. I ricercatori, il professor Takayuki Kawahara e il signor Yuya Fujiwara dell'Università di Scienza di Tokyo, stanno sviluppando reti neurali binarizzate (BNN) che consentono un uso efficiente dell'IA su questi dispositivi senza comprometterne le prestazioni.

BNN sono progettate per utilizzare meno potenza di calcolo grazie all'uso di pesi e attivazioni binarie. Kawahara e Fujiwara hanno migliorato questo approccio con un nuovo metodo di addestramento chiamato Ternarized Gradient BNN (TGBNN), che impiega gradienti a tre livelli durante l'addestramento, mantenendo comunque pesi e attivazioni binari. Questa tecnica si distingue per diversi motivi innovativi.

Sfrutta tecniche avanzate di Stima Diretta per migliorare il controllo della retropropagazione del gradiente. Utilizza porte logiche XNOR basate su giunzioni tunnel magnetiche per una gestione della memoria più efficiente. Adotta un approccio probabilistico per l'aggiornamento dei parametri, utilizzando celle MRAM per un'efficace gestione dei dati.

Leggi anche:

Oggi · 04:24

Scoperte nell'autostrada degli ioni: verso ricariche rapide e biosensori ultra-efficienti

Questi progressi tecnologici rendono i dispositivi edge più intelligenti e migliorano la loro capacità di apprendere e adattarsi nel tempo. La configurazione computing-in-memory (CiM) che è stata sviluppata utilizza meno spazio e energia dei circuiti tradizionali. Essa effettua i calcoli direttamente nei componenti di memoria anziché utilizzare i processori convenzionali. Le celle MRAM, sfruttando la coppia spin-orbitale e l'anisotropia magnetica controllata dalla tensione, offrono un metodo più compatto ed efficiente dal punto di vista energetico per archiviare e aggiornare i dati.

Questa innovazione ha un grande impatto. I dispositivi IoT possono funzionare autonomamente, eseguendo compiti complessi come il riconoscimento delle immagini o l'analisi dei dati senza dipendere costantemente dal cloud. Ciò potrebbe essere vantaggioso in settori come la sanità, dove i dispositivi indossabili possono fornire feedback immediato agli utenti, o nell'automazione domestica, dove le case intelligenti possono diventare più intuitive e reattive.

L'integrazione di intelligenza artificiale e tecnologia edge diventa cruciale con l'espansione dei sistemi IoT. Il lavoro di Kawahara e Fujiwara evidenzia come i futuri dispositivi edge possano partecipare attivamente nelle reti intelligenti, invece di limitarsi a raccogliere dati. La loro ricerca rappresenta un passo fondamentale verso la creazione di un mondo IoT efficiente e sostenibile, dove i dispositivi operano in perfetta sinergia.