スマートホームデバイスにおける ML と IoT の融合

人工知能は定期的に盛んに研究されている技術です。世界中の研究者が、AI の応用と実装をより迅速かつ効率的にするために取り組んでいます。長年にわたり、人類は人工知能によってもたらされる潜在的なブレークスルーの例に遭遇してきました。心臓病の早期発見であれ、歴史的出来事の発見であれ、人工知能は誕生以来大きな進歩を遂げてきました。

日々の雑用を楽にするために、マサチューセッツ工科大学（MIT）と国立台湾大学の研究者が協力し、マイクロコントローラにディープニューラルネットワークを組み込んだ。これは、小さなチップの形の AI をスマート ウェアラブル デバイスや家電製品に実装できるようになり、モノのインターネット (デバイス) と AI の高度な統合が実現できることを意味します。 「MCUNet: IoT デバイスでの極小ディープラーニング」と題されたこの研究論文は、12 月にニューラル情報処理システム会議で発表される予定です。研究者たちは、このアプローチにより、IoT デバイスのセンサーの近くでデータ分析を行えるようになり、人工知能の応用範囲が広がることを期待しています。

MCUnetについて学ぶ

研究者が発明したデバイスはMCUnetと呼ばれています。これは、市販のマイクロコントローラ上で ImageNet 規模のディープラーニングを可能にするニューラル ネットワーク アーキテクチャです。 ImageNet は、各ノードが数千枚の画像で記述される画像データベースです。このモデルでは、ディープラーニング設計と推論ライブラリが共同で最適化されており、従来のマイクロコントローラのオンチップメモリ​​の制限という課題を解消し、メモリ使用量を削減します。

TinyNAS は、さまざまなマイクロコントローラ上の小さく多様なストレージ制約を処理する 2 段階のニューラル アーキテクチャ検索 (NAS) アプローチを備えたディープラーニング設計です。研究によると、TinyNAS は、まず小さなリソース制約に対応するために検索空間を自動的に最適化し、次に最適化された空間でニューラル アーキテクチャ検索を実行することでこの問題を解決します。 TinyNAS は、入力解像度とモデル幅をスケーリングしてさまざまな検索空間を生成し、検索空間内でネットワークを満たす計算失敗分布を収集して、その優先順位を評価します。さらに、TinyNAS は検索スペースが収容できる洞察に依存します。メモリ制約下での失敗が多いほど、ディープラーニング モデルは優れています。実験では、最適化された空間によって NAS 検索モデルの精度が向上することが示されています。 TinyNAS は、デバイス、レイテンシ、エネルギー、メモリなど、従来のマイクロコントローラに関連するさまざまな制約を、低い検索コストで自動的に処理できます。

研究者らは、TinyEngine はメモリ効率の高い推論ライブラリであり、不要なメモリオーバーヘッドを排除することで、検索空間が拡張され、より大規模で精度の高いディープラーニングモデルに対応できると指摘した。推論ライブラリは解釈ベースであり、追加の実行時メモリを必要とするため、TinyEngine は、メモリ オーバーヘッドを排除し、階層的最適化の代わりにメモリ スケジューリングを適応させるコード ジェネレータ ベースのアプローチをコンパイルして、メモリ使用量を削減するための戦略をより適切に策定します。最後に、ループ タイリング、ループ アンローリング、OP 融合など、さまざまなレベルで専用の計算最適化が実行され、推論が高速化されます。

研究者らは、従来のディープラーニングと比較して、MCUNet はシステムとアルゴリズムの共同設計を通じてリソースをより有効に活用していることを観察しました。研究者らは、既存のモデルがシェルベースのマイクロコントローラ上で記録的な 70.7% の ImageNet 精度を達成したと結論付けました。