用于低内存 IoT 设备的神经网络

新的神经网络。

一位来自俄罗斯的科学家开发了一种新的神经网络架构，并测试了其在识别手写数字上的学习能力。网络智能被混沌放大，分类准确率达到96.3%。该网络可用于具有少量 RAM 的微控制器，并嵌入到鞋子或冰箱等家居用品中，使其“智能”。这项研究发表在《电子》上。

今天，寻找新的神经网络，可以操作微控制器与少量的随机访问内存（RAM）是特别重要的。为了进行比较，在普通现代计算机中，随机访问内存以千兆字节为单位计算。尽管微控制器的处理能力比笔记本电脑和智能手机要小得多，但它们体积更小，可以与家用物品进行接口。智能门、冰箱、鞋子、眼镜、水壶和咖啡壶为所谓的环境智能奠定了基础。这个词表示一个互联的智能设备的环境。

环境智能的一个例子是智能家居。内存有限的设备无法存储大量密钥，用于安全数据传输和神经网络设置阵列。它阻止将人工智能引入物联网设备，因为它们缺乏所需的计算能力。但是，人工智能将使智能设备在分析和决策上花费更少的时间，更好地了解用户，并友好地帮助他们。因此，在创造环境情报方面，例如在保健领域，可以出现许多新的机会。

俄罗斯彼得罗扎沃茨克州立大学的安德烈·维利奇科（Andrei Velichko）创建了一种新的神经网络架构，允许高效使用少量 RAM，为将低功耗设备引入物联网创造了机会。网络称为 LogNNet，是一个馈送神经网络，其中信号仅从输入定向到输出。它对传入信号使用确定性混沌滤波器。系统随机混合输入信息，但同时从最初不可见的信息中提取有价值的数据。储层神经网络也使用类似的机制。为了产生混沌，应用了一个简单的逻辑映射方程，其中下一个值是根据前一个值计算的。该方程通常用于人口生物学，并作为计算混沌值序列的简单方程的示例。这样，简单方程存储处理器计算的无限随机数集，网络体系结构使用它们并消耗更少的 RAM。

安德烈·维利奇科

这位科学家在 MNIST 数据库中的手写数字识别上测试了他的神经网络，该数据库被认为是训练神经网络识别图像的标准。该数据库包含 70，000 多个手写数字。其中6万个用于训练神经网络，另外10，000个用于网络测试。网络中的神经元和混乱性越多，识别图像的越好。网络实现的最大精度为96.3%，而开发的体系结构使用的 RAM 不超过 29 KB。此外，LogNNet 在 1-2kB 范围内使用非常小的 RAM 尺寸展示了有希望的结果。微型控制器，Atmega328，可以嵌入到智能门，甚至智能鞋垫，具有大致相同的内存量。

“由于这一发展，物联网的新机遇正在打开，因为任何配备低功耗微型控制器的设备都可以使用人工智能供电。这样，就为智能处理外围设备上的信息而打开一条路径，而无需将数据发送到云服务，从而改进了智能家居等操作。这是彼得罗扎沃茨克州立大学的科学家积极研究的物联网技术发展的重要贡献。此外，这项研究还概述了研究混乱对人工智能影响的替代方法，”安德烈·维利奇科说。

责任编辑：PSY