هوش مصنوعی برای سیستم‌های نهفته: شتاب‌دهنده‌ها، فشرده‌سازی و استقرار

هوش مصنوعی برای سیستم‌های نهفته: شتاب‌دهنده‌ها، فشرده‌سازی و استقرار

دکتر علیرضا بلورفروش1 دکتر محسن مجاهد2

1) عضو هیئت علمی دانشگاه امام جواد یزد
2) مدیر فناوری اطلاعات دانشگاه آزاد واحد یزد

کد IOI مقاله : ACEF-ACAZKZ
محل انتشار : ششمین کنگره بین المللی مهندسی، تکتولوژی و علوم کاربردی(etas2027.com)
چکیده :
    استقرار هوش مصنوعی (AI) در سیستم‌های تعبیه‌شده با محدودیت حافظه، قابلیت محاسبه و انرژی مواجه است، با این حال، کاربردها از نظارت بر سلامت پوشیدنی گرفته تا تجزیه و تحلیل لبه صنعتی به طور فزاینده‌ای به هوش محلی نیاز دارند. این مقاله مروری فشرده بر فناوری‌هایی ارائه می‌دهد که هوش مصنوعی تعبیه‌شده را کاربردی می‌کنند و حول سه لایه جفت‌شده سازماندهی شده‌اند: شتاب سخت‌افزاری، فشرده‌سازی مدل و الگوهای استقرار. ابتدا، FPGA، ASIC، GPU، نورومورفیک و پلتفرم‌های نوظهور محاسبه در حافظه را مقایسه می‌کنیم و در مورد چگونگی معامله انعطاف‌پذیری هر یک در برابر بهره‌وری انرژی بحث می‌کنیم. دوم، طراحی شبکه سبک، کوانتیزاسیون، هرس و باینری‌سازی را همراه با زمان‌بندی CPU-GPU بررسی می‌کنیم و دستاوردهای گزارش‌شده در اندازه مدل، سرعت و انرژی را خلاصه می‌کنیم. سوم، حالت‌های برنامه را به استقرار پس از آموزش، آموزش روی دستگاه و آموزش جزئی لبه-ابری طبقه‌بندی می‌کنیم. با ترکیب مطالعات کلاسیک با نتایج اخیر در مورد مدل‌های یادگیری ماشین کوچک و زبان روی دستگاه، شکاف‌های مداوم را شناسایی می‌کنیم: انرژی به ندرت به عنوان یک معیار درجه یک گزارش می‌شود، شتاب‌دهنده‌ها به خانواده‌های شبکه واحد وابسته هستند و استانداردهای قابلیت همکاری برای گره‌های لبه صنعتی هنوز نابالغ هستند. ما نتیجه می‌گیریم که طراحی مشترک سخت‌افزار-نرم‌افزار، معیارسنجی آگاه از انرژی و پلتفرم‌های تعبیه‌شده با قابلیت آموزش، امیدوارکننده‌ترین مسیرها برای کارهای آینده هستند.

کلمات کلیدی : سیستم‌های تعبیه‌شده شتاب‌دهنده‌های هوش مصنوعی فشرده‌سازی مدل رایانش لبه‌ای یادگیری ماشین کوچک