افزایش سرعت هوش‌مصنوعی در اینترنت اشیا با دانش محققان ایرانی

به گزارش خبرگزاری صدا وسیما، محققان دانشگاه تهران با حمایت ستاد توسعه فناوری‌های اتصال‌پذیری و ارتباطات، نرم‌افزاری نوآورانه ارائه داده‌اند که قادر است پردازنده‌هایی سفارشی‌سازی‌شده برای اجرای سریع و کم‌مصرف مدل‌های هوش‌مصنوعی، به ویژه یادگیری عمیق، در دستگاه‌های اینترنت اشیا طراحی کند.

این دستاورد که در دانشکده مهندسی برق و کامپیوتر دانشگاه تهران به سرپرستی مصطفی ارسالی صالحی نسب و مهدی مدرسی، طراحی شده که امکان طراحی خودکار پردازنده‌های اختصاصی را فراهم می‌کند تا طرح های هوش‌مصنوعی به ویژه یادگیری عمیق، با سرعت و مصرف انرژی بسیار پایین در دستگاه‌های اینترنت اشیاء اجرا شوند.

مصطفی ارسالی صالحی نسب، سرپرست این طرح، شتاب‌دهی به پردازش داده‌ها، امکان پیش‌بینی دقیق رفتار سامانه ها، ارتقای امنیت اطلاعات و افزایش استقلال دستگاه‌های هوشمند را از ویژگی‌های کلیدی این محصول خواند و اظهار کرد: این فناوری که اکنون در سطح TRL۴ قرار دارد و آزمایش‌های اولیه آن با موفقیت به پایان رسیده است.در شاخص‌هایی نظیر دقت، سرعت و مصرف انرژی، پیشرفت‌های قابل توجهی را نشان داده است.

وی افزود: سکوی  نرم‌افزاری ما، راهکاری نوین برای ساخت تراشه‌های سفارشی است که امکان اجرای سریع و کم‌مصرف طرح های یادگیری عمیق را در دستگاه‌های هوشمند فراهم می‌کند.

صالحی نسب با اشاره به امکان مقیاس‌پذیری بالا و رقابت با پردازنده‌های گرافیکی این ابزار، بیان کرد: این دستاورد با توجه به در دسترس بودن FPGA در داخل کشور، می‌تواند به توسعه سریع و مستقل صنایع هوش مصنوعی کمک شایانی کند.

مهدی مدرسی، دیگر پژوهشگر این طرح، ادامه داد: کاربرد‌های این فناوری بسیار گسترده است و حوزه‌هایی مانند هوشمندسازی لبه‌های اینترنت اشیا، کاهش مصرف انرژی، اینترنت اشیای پزشکی، سامانه‌های پردازش برخط تصویر و صوت در خودرو‌های هوشمند و همچنین هوشمندسازی سامانه های پایش صنعتی را در برمی‌گیرد.

وی افزود: با استفاده از این ابزار، می‌توانیم پردازنده‌های هوش مصنوعی اختصاصی خود را با سرعت و هزینه بسیار کمتر نسبت به روش‌های سنتی طراحی کنیم.

وی گفت: این امر به ما امکان می‌دهد تا محصولات را هوشمندتر با عملکرد بهتر و هزینه کمتر به بازار عرضه کنیم.

مدرسی، پایان خاطر نشان کرد: این ابزار با سفارشی‌سازی اندازه مدل و بهینه‌سازی هوشمندانه، امکان اجرای طرح های هوش مصنوعی را با سرعت و دقت بالاتر و مصرف انرژی کمتر بر روی دستگاه‌های با منابع محدود فراهم می‌آورد.