Si tiene un teléfono inteligente con reconocimiento facial, es posible que se haya preguntado:¿Cómo aprende su dispositivo a reconocer su rostro en lugar de, decir, la cara de su cónyuge?

Dar crédito a una red neuronal, una forma de inteligencia artificial que se utiliza cada vez más en los dispositivos cotidianos. Las redes neuronales son algoritmos entrenados para reconocer patrones y mejorar continuamente su capacidad para hacerlo, tal como lo hace el cerebro humano.

Para ser tan inteligente las redes neuronales requieren mucha potencia, que hasta ahora ha limitado su utilidad en pequeñas, dispositivos alimentados por batería. ¿Alguna vez se ha preguntado por qué su teléfono inteligente admite Face ID pero su reloj inteligente no? Simplemente porque el reloj no tiene suficiente potencia para soportarlo. Con una nueva subvención de la National Science Foundation (NSF), El profesor adjunto de ingeniería eléctrica e informática de la Universidad de Delaware, Chengmo Yang, está investigando formas de respaldar las redes neuronales en sistemas integrados de bajo consumo mediante el uso de dispositivos de memoria emergentes que pueden recuperar información incluso cuando están apagados. y además minimizar los errores en estos dispositivos emergentes.

Hardware adecuado para redes neuronales

Para construir redes neuronales, los ingenieros necesitan la combinación correcta de hardware y software. Yang se está acercando a las redes neuronales desde el lado del hardware.

"Mi investigación trabaja sobre cómo desarrollar dispositivos, sistemas o computadoras de próxima generación que sean más especializados para ciertas aplicaciones, ", dijo Yang. Ella apunta especialmente a mejorar la vida útil y la confiabilidad de los dispositivos a medida que se conectan cada vez más en un Internet de las cosas (IoT). Algunos de estos dispositivos, especialmente dispositivos IoT e integrados de gama baja, no tiene suficiente espacio de memoria o suficiente carga de batería para ejecutar algoritmos de redes neuronales.

"Por ejemplo, ciertos sensores usados ​​al aire libre, no son adecuados para la carga frecuente de la batería, "dijo Yang." Quieres poder usarlo durante años, pero el algoritmo de la red neuronal podría actualizarse casi todas las semanas o todos los meses ".

La solución podría estar en el uso de memoria no volátil, que no depende de la electricidad para almacenar información. Con estos sistemas, no pierde datos si pierde energía.

"Los dispositivos emergentes utilizan propiedades físicas para almacenar valores, "dijo Yang." Por ejemplo, el material podría tener dos fases diferentes que se utilizan para almacenar información, y cuando no lo estés usando, no es necesario que proporciones energía ".

Estos tipos de dispositivos pueden estar sujetos a ciertos tipos de errores y verse afectados negativamente por cambios en las condiciones como la temperatura y la humedad. Cualquier red neuronal que se ejecute en estos dispositivos podría correr el riesgo de cometer errores. Yang está desarrollando una nueva forma de probar dispositivos y detectar, clasificar, y mitigar estos errores en las redes neuronales. Su objetivo es determinar el umbral de error acumulado sobre el cual es el momento de reprogramar o actualizar los dispositivos para restaurarlos a sus estados originales libres de errores.

"Porque refrescar y reprogramar va a requerir algo de energía, quieres hacerlo solo cuando sabes que es necesario, "dijo Yang.

Yang imparte cursos de pregrado en microprocesadores y sistemas integrados y tiene como objetivo preparar a los estudiantes para abordar intrincados problemas de hardware. También es la líder de un equipo de Proyectos Integrados Verticalmente (VIP) llamado Internet of Threats. Estos proyectos combinan a estudiantes de pregrado, estudiantes graduados y miembros de la facultad para trabajar en colaboración en proyectos del mundo real.

"Es importante que los estudiantes aprendan sobre el lado del hardware de la ciencia de datos. Cuando la mayoría de la gente habla de modelos y ciencia de datos, piensan en software, no cómo implementar estos modelos en su hardware, ", dijo Yang. A medida que los dispositivos se vuelven más avanzados, estas habilidades serán más importantes, Yang planea enseñar a los estudiantes cómo usar hardware para implementar aceleradores de redes neuronales robustos.

También imparte cursos de posgrado en confiabilidad de sistemas que ayudan a los estudiantes a identificar fallas y errores problemáticos en el hardware.

"Cuando los estudiantes comienzan a aprender a programar, suponen que aunque el software puede tener errores, el hardware siempre es bueno y confiable, ", dijo Yang." Esa suposición ya no es cierta ".