Si vous possédez un smartphone avec reconnaissance faciale, vous vous êtes peut-être demandé :comment votre appareil apprend-il à reconnaître votre visage par opposition à, dire, le visage de votre conjoint ?

Créditer un réseau de neurones, une forme d'intelligence artificielle de plus en plus utilisée dans les appareils du quotidien. Les réseaux de neurones sont des algorithmes entraînés à reconnaître des modèles et à améliorer continuellement leur capacité à le faire, tout comme le cerveau humain.

Pour être si intelligent, les réseaux de neurones nécessitent beaucoup de puissance, ce qui jusqu'à présent a limité leur utilité dans les petites, appareils alimentés par batterie. Vous êtes-vous déjà demandé pourquoi votre smartphone prend en charge Face ID mais pas votre smartwatch ? Tout simplement parce que la montre n'a pas une puissance suffisante pour la supporter. Avec une nouvelle subvention de la National Science Foundation (NSF), Chengmo Yang, professeur agrégé d'ingénierie électrique et informatique à l'Université du Delaware, recherche des moyens de prendre en charge les réseaux de neurones dans les systèmes embarqués à faible consommation en utilisant des dispositifs de mémoire émergents qui peuvent récupérer des informations même lorsqu'ils sont éteints, et en outre minimiser les erreurs dans ces dispositifs émergents.

Matériel adapté aux réseaux de neurones

Pour construire des réseaux de neurones, les ingénieurs ont besoin de la bonne combinaison de matériel et de logiciel. Yang aborde les réseaux de neurones du côté matériel.

"Mes recherches portent sur la manière de développer des appareils ou des systèmes de nouvelle génération ou des ordinateurs plus spécialisés pour certaines applications, " a déclaré Yang. Elle vise notamment à améliorer la durée de vie et la fiabilité des appareils à mesure qu'ils deviennent de plus en plus connectés dans un Internet des objets (IoT). Certains de ces appareils, en particulier les appareils embarqués et IoT bas de gamme, n'avez pas assez d'espace mémoire ou assez de batterie pour exécuter des algorithmes de réseau neuronal.

"Par exemple, certains capteurs utilisés en extérieur, ne conviennent pas à une charge fréquente de la batterie, " dit Yang. " Vous voulez pouvoir l'utiliser pendant des années, mais l'algorithme du réseau neuronal pourrait être mis à jour presque toutes les semaines ou tous les mois."

La solution pourrait résider dans l'utilisation de la mémoire non volatile, qui ne dépend pas de l'électricité pour stocker des informations. Avec ces systèmes, vous ne perdez pas de données si vous perdez de la puissance.

« Les appareils émergents utilisent des propriétés physiques pour stocker des valeurs, " dit Yang. " Par exemple, le matériel pourrait avoir deux phases différentes qui sont utilisées pour stocker des informations, et quand vous ne l'utilisez pas, vous n'avez pas besoin de fournir d'électricité."

Ces types d'appareils peuvent être sujets à certains types d'erreurs et être affectés négativement par des changements de conditions telles que la température et l'humidité. Tous les réseaux de neurones qui s'exécutent sur ces appareils pourraient alors être à risque d'erreurs. Yang développe une nouvelle façon de tester les appareils et de détecter, classer, et atténuer ces erreurs dans les réseaux de neurones. Elle vise à déterminer le seuil d'erreur accumulé au-dessus duquel il est temps de reprogrammer ou de rafraîchir les appareils afin de les restaurer dans leurs états sans erreur d'origine.

"Parce que le rafraîchissement et la reprogrammation vont demander de l'énergie, vous ne voulez le faire que lorsque vous savez que c'est nécessaire, " dit Yang.

Yang enseigne des cours de premier cycle sur les microprocesseurs et les systèmes embarqués et vise à préparer les étudiants de premier cycle à s'attaquer à des problèmes matériels complexes. Elle est également chef d'une équipe de projets intégrés verticalement (VIP) nommée Internet of Threats. Ces projets associent des étudiants de premier cycle, étudiants diplômés et membres du corps professoral à travailler en collaboration sur des projets du monde réel.

« Il est important que les étudiants apprennent le côté matériel de la science des données. Lorsque la plupart des gens parlent de science des données et de modèles, ils pensent au logiciel, pas comment implémenter ces modèles dans leur matériel, " a déclaré Yang. Au fur et à mesure que les appareils deviennent plus avancés, ces compétences deviendront plus importantes, Yang envisage donc d'enseigner aux étudiants comment utiliser le matériel pour mettre en œuvre des accélérateurs de réseaux neuronaux robustes.

Elle enseigne également des cours de deuxième cycle sur la fiabilité des systèmes qui aident les étudiants à identifier les défauts et les erreurs problématiques dans le matériel.

« Quand les élèves commencent à apprendre la programmation, ils supposent que bien que le logiciel puisse avoir des bogues, le matériel est toujours bon et digne de confiance, " a déclaré Yang. " Cette hypothèse n'est plus vraie. "