2021年03月01日 | 机器学习进入新领域

2021-03-01 来源：EEWORLD

在处理海量COVID-19数据时，机器学习对2020年产生了巨大影响。为了在2021年实现ML的发展，开发人员正在加倍使用设备上AI、低功耗架构和框架兼容性等功能。

机器学习（ML）在2020年产生了前所未有的影响，特别是在通过数据处理检测和跟踪COVID-19病毒时。研究人员受益于使用ML分析大量信息并就大量人员的整体健康得出结论。

到2021年，ML在量子计算、机器人技术和基于边缘的AI中的应用将具有巨大的潜力。

流程图，描述了机器学习AI流程的各个阶段。

image.png?imageView2/2/w/550

机器学习AI处理步骤的高级流程图。图片由sustAGE提供

这些应用程序的核心是硬件。特别是，三个针对硬件的思想对于ML硬件开发必不可少：面向边缘的设计，低功耗架构以及与ML框架的兼容性。

将ML推向边缘：内置AI

考虑到正在使用和处理的大量数据时，边缘智能变得越来越必要。在为边缘AI设计时，设计人员必须考虑许多约束，例如功耗，电路板空间和计算时间。

设备上的AI解决了其中一些问题，可以进行本地化处理，这有助于减少云计算的负担，同时还可以更快、更节能。许多制造商意识到了这一好处，并试图将设备上的AI包含在智能手机，车辆和IoT设备等各种应用中。通过考虑边缘设计，工程师可以在产品投放市场时为其提供竞争优势。

LG的SoC和LG8111开发板是边缘AI的最新硬件产品。该SoC和开发板包括LG专用的AI处理器和AI加速器。这些设备一起支持各种AI处理功能，例如语音，视频，图像和控制智能。

image.png?imageView2/2/w/550

LG8111 SoC和开发板。图片由LG提供

该芯片还支持ASW IoT Greengrass，从而使该SoC和开发板可以根据设备托管各种应用程序和解决方案。

具有DSP和NN处理器的低功耗架构

在边缘进行设计时，功耗是最重要的考虑因素之一。机器学习处理大量数据；因此，在设计系统时，消除处理过程中的功率浪费是必要的。

实现低功耗架构的一种方法是同时使用低功耗数字信号处理器（DSP）和专用NN（神经网络）处理器。DSP Group通过其新的DVM10 DSP和nNetLite NN处理器将这种低功耗方案付诸实践。这种结构允许两个处理器之间具有不同的功能，具体取决于所安装的算法和框架。

这种设置还使处理器能够拆分读取数据和指定任务的过程，与所有任务只依靠一个处理器处理相比，减少功耗。

image.png?imageView2/2/w/550

DBM10上受支持的应用程序以及当前的SoC。图片由DSPG提供

处理器的这种组合使SoC支持〜500μW的超低功耗推理，这对于大多数语音NN算法来说已经足够了。

与ML框架的兼容性

尽管编程和软件应用程序似乎与硬件设计是分开的，但它越来越成为一个交叉地带，尤其是在ML中。因此，有必要知道设备将使用什么框架。根据产品或用户的需求，拥有可以与各种ML框架兼容的处理器可能会有所帮助。

Ambarella的CV5处理器是框架兼容性的最新示例。CV5与常见的ML框架（例如Caffe，PyTorch，TensorFlow和ONNX）兼容。框架兼容性的灵活性为用户提供了多种选择，可将其神经网络集成到设备中。

2021年的机器学习：量子机器学习？

2021年预测的一个主要趋势是机器学习与量子计算的集成，被称为“量子机器学习”。根据《量子日报》的说法，量子机器学习指的是“旨在编写量子算法来执行机器学习任务的领域”。

对于经典计算机而言，某些机器学习算法过于复杂且劳动强度大。使用量子ML，研究人员可以将经典的ML算法转换为量子电路，从而使它们能够在量子计算机上有效运行。

image.png?imageView2/2/w/550

经典机器学习（CML）与量子机器学习（GML）。图片由ICFO提供

新领域铺平道路

我们在去年看到了量子计算的商业化，同时增强了机器学习的优势。

在大流行仍在继续的情况下，迫切需要快速，准确的数据处理。通过使用板级设计选择扩展和发展机器学习，设计人员可以将机器学习推向边缘并解决日益增加的数据处理负担。

机器学习