全站搜索
首页_赢咖4星辉-官方注册地址
首页_赢咖4星辉-官方注册地址
赢咖42021年的机器学习进入新阶段:量子机器学习
作者:管理员    发布于:2021-03-04 04:54    文字:【】【】【

  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。

  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。

  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。

  赢咖4

  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。

  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。

  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。

  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。

  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。

  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。

相关推荐
  • 赢咖4娱乐“机器学习”在超快光子学中的应用
  • 赢咖42021年的机器学习进入新阶段:量子机器学习
  • 赢咖4娱乐AAAI 2021闭幕健壮、安全、高效的机器学习国际研讨会压轴举行
  • 赢咖4机器学习成功模拟并预报流感传播
  • 赢咖4注册2021年人工智能和机器学习的5个发展趋势
  • 脚注信息
    版权所有 Copyright(C)2020 星辉娱乐
    网站地图|xml地图|友情链接: 百度一下