Om du har en smart telefon med ansiktsigenkänning, du kanske har undrat:Hur lär sig din enhet att känna igen ditt ansikte i motsats till, säga, din makes ansikte?

Kreditera ett neuralt nätverk, en form av artificiell intelligens som alltmer används i vardagliga enheter. Neurala nätverk är algoritmer tränade att känna igen mönster och kontinuerligt förbättra sin förmåga att göra det – precis som den mänskliga hjärnan gör.

För att vara så smart, neurala nätverk kräver mycket kraft, som hittills har begränsat deras användbarhet i små, batteridrivna enheter. Har du någonsin undrat varför din smartphone stöder ansikts-ID men inte din smartklocka? Helt enkelt för att klockan inte har tillräcklig kraft för att stödja den. Med ett nytt anslag från National Science Foundation (NSF), University of Delaware Docent i el- och datateknik Chengmo Yang forskar om sätt att stödja neurala nätverk i inbyggda system med låg effekt genom att använda nya minnesenheter som kan hämta information även när de är avstängda, och dessutom minimera fel i dessa nya enheter.

Hårdvara lämpad för neurala nätverk

För att bygga neurala nätverk, ingenjörer behöver rätt kombination av hårdvara och mjukvara. Yang närmar sig neurala nätverk från hårdvarusidan.

"Min forskning arbetar med hur man utvecklar nästa generations enheter eller system eller datorer som är mer specialiserade för vissa applikationer, " sa Yang. Hon syftar särskilt till att förbättra livslängden och tillförlitligheten för enheter när de blir allt mer anslutna i ett Internet-of-Things (IoT). Vissa av dessa enheter, särskilt low-end inbäddade och IoT-enheter, har inte tillräckligt med minnesutrymme eller tillräckligt med batterikraft för att köra neurala nätverksalgoritmer.

"Till exempel, vissa sensorer som används utomhus, är inte lämpliga för frekvent batteriladdning, " sa Yang. "Du vill kunna använda den i flera år, men den neurala nätverksalgoritmen kan uppdateras nästan varje vecka eller varje månad."

Lösningen kan ligga i användningen av icke-flyktigt minne, som inte är beroende av el för att lagra information. Med dessa system, du förlorar inte data om du tappar ström.

"Nyheter använder fysiska egenskaper för att lagra värden, " sa Yang. "Till exempel, materialet kan ha två olika faser som används för att lagra information, och när du inte använder den, du behöver inte ge någon kraft."

Dessa typer av enheter kan vara föremål för vissa typer av fel och påverkas negativt av förändringar i förhållanden som temperatur och luftfuktighet. Alla neurala nätverk som körs på dessa enheter kan då löpa risk för fel. Yang utvecklar ett nytt sätt att testa enheter och upptäcka, klassificera, och mildra dessa fel i neurala nätverk. Hon syftar till att bestämma den ackumulerade feltröskeln över vilken det är dags att omprogrammera eller uppdatera enheter för att återställa dem till deras ursprungliga felfria tillstånd.

"Eftersom uppfriskande och omprogrammering kommer att ta lite energi, du vill bara göra det när du vet att det är nödvändigt, " sa Yang.

Yang undervisar i grundkurser i mikroprocessorer och inbyggda system och syftar till att förbereda studenter för att ta itu med intrikata hårdvaruproblem. Hon är också ledare för ett Vertically Integrated Projects (VIP) team som heter Internet of Threats. Dessa projekt parar studenter, doktorander och fakultetsmedlemmar för att samarbeta i verkliga projekt.

"Det är viktigt för eleverna att lära sig om hårdvarusidan av datavetenskap. När de flesta pratar om datavetenskap och modeller, de tänker på mjukvara, inte hur man implementerar dessa modeller i sin hårdvara, " sa Yang. När enheterna blir mer avancerade, dessa färdigheter kommer att bli viktigare, så Yang planerar att lära eleverna hur man använder hårdvara för att implementera robusta neurala nätverksacceleratorer.

Hon undervisar också i forskarkurser i systemtillförlitlighet som hjälper studenter att identifiera problematiska fel och fel i hårdvara.

"När elever börjar lära sig programmering, de antar att även om programvaran kan ha buggar, hårdvaran är alltid bra och pålitlig, " sade Yang. "Det antagandet är inte sant längre."