«Большой брат» слушает тебя. Нейросеть с обучением — в каждой лампочке
Установить сетевой процессор в максимально недорогих устройствах решила бристольская компания XMOS, об этом 20 февраля сообщает издание ElectronicsWeekly.
В разработанном по гранту Евросоюза процессоре xcore.ai имеется 16 ядер реального времени. Каждое ядро способно обрабатывать векторные и скалярные величины и имеет наборы инструкций для быстрой обработки сигналов, машинного обучения и криптографии.
В процессоре имеется бинарный сетевой интерфейс взаимодействия между ядрами и другими процессорами, а также 128 портов ввода-вывода с наносекундной задержкой. Пропускная способность межпроцессорного взаимодействия оценивается в 2 Гбит/с.
Компания полагает, что применение процессорам найдется в массовых устройствах стоимостью от $1. В качестве примера представитель фирмы приводит пожарные извещатели, которые способны при возникновении нештатной ситуации улавливать признаки жизни, определять места скопления людей и осуществлять связь с ними.
«Традиционно возможности такого рода предоставляются мощными (и дорогими) прикладными процессорами или микроконтроллерами с аппаратным ускорением нужных вычислений», — говорится в заявлении компании.
Производитель претендует получить производительность выше, чем в Arm Cortex-M7. Для подтверждения производитель предлагает графики, сравнивающие время выполнения различных задач. Из них следует, что при более низкой тактовой частоте в 160 МГц xcore.ai справляется кратно быстрее своего конкурента.
Поясняя высокую производительность, представитель компании добавил, что используя в обработке сигнала пять из 16 логических ядер, «каждый из которых работает с частотой 160 МГц, мы сокращаем выполнение задачи почти в 5 раз».
На процессоре возможен запуск операционной системы реального времени FreeRTOS. Имеется возможность писать программы на языке C, для которого доступны библиотеки работы со средствами обработки сигналов и машинного обучения. Также доступен фреймворк TensorFlow Lite от компании Google, облегчающий написание приложений, основанных на машинном обучении. Пробные партии ожидаются в июне 2020 года.
Разработка рассчитана на использование бинаризованных нейросетей, которые призваны упрощать аппаратную часть и сокращать размер обрабатываемых данных в нейронных сетях до предела — одного бита. Такое уменьшение помогает обходиться меньшими затратами на многократно повторяющихся математических операциях, требующих большого количества памяти, таких как умножение.
Применение однобитных режимов сетевых вычислений позволяет получать четырехкратный рост производительности по сравнению с прямыми восьмибитными вычислениями, однако такие методы дают меньшую точность. В ситуациях, где нужна большая точность, процессор в состоянии переключиться в режим прямых вычислений, вплоть до работы с 32-битными комплексными числами.
Недорогой и относительно универсальный процессор, способный быстро выполнять несложные операции взаимодействия, может оказаться полезен в рамках развития интернета вещей, способных к автономному взаимодействию. К примеру, наличие такого процессора в упомянутых системах предупреждения происшествий поможет адаптироваться к каким-то нештатным ситуациям.
Но остаются сомнения в том, какова истинная мотивация заказчиков разработки недорогих процессоров, способных в сетевом режиме обрабатывать большие объемы голосовой информации. Усугубляет положение склонность разработки к масштабированию и машинному обучению.
Наличие пожарного извещателя в каждом доме, офисе или общественном месте выглядит вполне логичным требованием безопасности. Однако ситуация, когда каждый из датчиков начинает воспринимать ключевые слова, интонационные девиации и делиться ими с другими участниками сети, напоминает антиутопический сюжет построения системы тотального контроля над обществом. Тем более, что подобные инструменты сбора данных уже используются в целях продать человеку что-нибудь «ненужное» — например, в индустрии контекстной рекламы.
