Se você tem um smartphone com reconhecimento facial, você deve estar se perguntando:como seu dispositivo aprende a reconhecer seu rosto em vez de, dizer, o rosto do seu cônjuge?

Dê crédito a uma rede neural, uma forma de inteligência artificial cada vez mais usada em dispositivos do dia a dia. As redes neurais são algoritmos treinados para reconhecer padrões e melhorar continuamente sua capacidade de fazer isso - assim como o cérebro humano faz.

Para ser tão inteligente, redes neurais requerem muita energia, que até agora limitou sua utilidade em pequenas, dispositivos alimentados por bateria. Você já se perguntou por que seu smartphone suporta ID facial, mas seu smartwatch não? Simplesmente porque o relógio não tem potência suficiente para suportá-lo. Com uma nova bolsa da National Science Foundation (NSF), O professor associado de Engenharia Elétrica e de Computação da Universidade de Delaware, Chengmo Yang, está pesquisando maneiras de dar suporte a redes neurais em sistemas embarcados de baixa potência usando dispositivos de memória emergentes que podem recuperar informações mesmo quando desligados, e, além disso, minimizar erros nesses dispositivos emergentes.

Hardware adequado para redes neurais

Para construir redes neurais, os engenheiros precisam da combinação certa de hardware e software. Yang está abordando as redes neurais do lado do hardware.

"Minha pesquisa visa desenvolver dispositivos ou sistemas de última geração ou computadores mais especializados para determinadas aplicações, "disse Yang. Ela visa especialmente melhorar a vida útil e a confiabilidade dos dispositivos à medida que eles se tornam cada vez mais conectados em uma Internet das Coisas (IoT). Alguns desses dispositivos, especialmente dispositivos embarcados e IoT de baixo custo, não tem espaço de memória ou bateria suficiente para executar algoritmos de rede neural.

"Por exemplo, certos sensores usados ​​ao ar livre, não são adequados para carregamento frequente de bateria, "disse Yang." Você quer poder usá-lo por anos, mas o algoritmo da rede neural pode ser atualizado quase todas as semanas ou todos os meses. "

A solução pode estar no uso de memória não volátil, que não depende de eletricidade para armazenar informações. Com esses sistemas, você não perde dados se perder energia.

"Dispositivos emergentes usam propriedades físicas para armazenar valores, "disse Yang." Por exemplo, o material pode ter duas fases diferentes que são usadas para armazenar informações, e quando você não está usando, você não precisa fornecer energia. "

Esses tipos de dispositivos podem estar sujeitos a certos tipos de erros e ser afetados negativamente por mudanças nas condições, como temperatura e umidade. Quaisquer redes neurais executadas nesses dispositivos podem estar em risco de erros. Yang está desenvolvendo uma nova maneira de testar dispositivos e detectar, classificar, e mitigar esses erros em redes neurais. Ela tem como objetivo determinar o limite de erro acumulado sobre o qual é hora de reprogramar ou atualizar os dispositivos para restaurá-los aos seus estados originais sem erros.

"Porque a atualização e a reprogramação vão exigir um pouco de energia, você só quer fazer quando sabe que é necessário, "disse Yang.

Yang ministra cursos de graduação em microprocessadores e sistemas embarcados e tem como objetivo preparar alunos de graduação para lidar com problemas complexos de hardware. Ela também é líder de uma equipe de Projetos Integrados Verticamente (VIP) chamada Internet de Ameaças. Esses projetos combinam alunos de graduação, alunos de pós-graduação e membros do corpo docente para trabalhar de forma colaborativa em projetos do mundo real.

"É importante que os alunos aprendam sobre o lado do hardware da ciência de dados. Quando a maioria das pessoas fala sobre ciência de dados e modelos, eles pensam sobre software, não como implementar esses modelos em seu hardware, "disse Yang. À medida que os dispositivos se tornam mais avançados, essas habilidades se tornarão mais importantes, então, Yang planeja ensinar aos alunos como usar hardware para implementar aceleradores de rede neural robustos.

Ela também ministra cursos de pós-graduação em confiabilidade de sistema que ajudam os alunos a identificar falhas e erros problemáticos no hardware.

"Quando os alunos começam a aprender programação, eles presumem que embora o software possa ter bugs, o hardware é sempre bom e confiável, "disse Yang." Essa suposição não é mais verdade. "