یادگیری ماشین راهی برای یادگیری لبه ای باز می کند

این تیم تحقیقاتی که در نتایج یافته‌های خود را در قالب مقاله در ماه ژانویه در Nature Electronics منتشر کردند، نشان دادند که چگونه می توان از فناوری RRAM یا ممریستور برای ایجاد سیستم های هوشمند استفاده کرد.

دالگتی از محققان این پروژه می‌گوید: «این تحقیق تأکید می کند، یادگیری ماشین بیزی (Bayesian) فراتر از سازگاری با RRAM، یک روش مدل‌سازی جایگزین ارائه می دهد که به نظر می رسد برای ویژگی های یادگیری لبه‌ای مناسب باشد.»

دانشمندان در این پروژه از یک روش یادگیری ماشینی استفاده کردند تا از آنچه قبلاً به عنوان ویژگی‌های "غیر ایده‌آل" دستگاه‌های مقاومت مقاومتی (RRAM) در نظر گرفته می‌شد، بهره برداری کنند.

این محققان با استفاده از طرح یادگیری ماشین راهبردی ارائه کردند که در آن از تنوع عملکردی ممریستور برای پیاده‌سازی نمونه زنجیره ای مارکوف از مونت کارلو در مجموعه ای متشکل از بیش از 16000 دستگاه که به عنوان مدل یادگیری ماشین بیزی پیکربندی شده، استفاده شده است.

پژوهشگران از این سیستم آزمایشی خود برای حل مسائلی نظیر تشخیص نمونه های بدخیم بافت پستان استفاده کرده‌اند.

 در این مقاله آمده است: «سیستم ما می تواند به عنوان پایه‌ای برای طراحی و ساخت تراشه نمونه برداری MCMC مستقل و کاملاً یکپارچه برای RRAM، استفاده شود. این دستاورد سرانجام دریچه یادگیری لبه ای و مجموعه ای کاملاً جدید از برنامه ها را باز خواهد کرد.»

الگوریتم های یادگیری مورد استفاده در رویکردهای لبه کنونی مبتنی بر RRAM را نمی توان با تصادفی بودن برنامه‌دهی دستگاه و همچنین سایر غیر ایده‌آل‌های ذاتی این فناوری سازگار کرد.

برای حل این مشکل، تیم تحقیقاتی این پروژه روشی ارائه کردند که در آن با استفاده از الگوریتم یادگیری نمونه برداری مارکوف زنجیره ای مونت کارلو (MCMC) تراشه‌ای ساخته می‌شود که به عنوان یک مدل یادگیری ماشین بیزی عمل می کند.

در حال حاضر تحقیقات در صنعت میکروالکترونیک متمرکز بر استفاده از RRAM به عنوان دستگاه های آنالوگ غیرفرار در شبکه‌های عصبی مصنوعی مبتنی بر سخت افزار است که می تواند محاسبات را در حافظه انجام دهد تا این نیازهای انرژی را به شدت کاهش دهد.

تحقیقات این تیم یک راه حل بسیار کم مصرف را ارائه می‌کند به طوری که مصرف انرژی آن ده هزار برابر کمتر از فناوری‌های فعلی است.

در نتیجه، این روش می تواند یادگیری را به سیستم‌های محاسباتی لبه‌ای برساند، که با استفاده از رویکردهای تجاری موجود غیر ممکن است.