Por redação AIoT Brasil

Pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) anunciaram o desenvolvimento de um sistema que poderá ampliar de forma significativa a aplicação de redes neurais de aprendizagem profunda em dispositivos de internet das coisas. Denominada MCUNet, a tecnologia projeta redes neurais compactas com velocidade e precisão sem precedentes e pode facilitar a expansão do universo de IoT, além de economizar energia e aumentar a segurança dos dados.

A pesquisa foi apresentada na Conferência sobre Sistemas de Processamento de Informação Neural, em dezembro, e o autor principal é Ji Lin, do Departamento de Engenharia Elétrica e Ciência da Computação do MIT. A intenção era desenvolver um método que permitisse a introdução de redes neurais em objetos muito pequenos, como os minúsculos chips em dispositivos médicos vestíveis, eletrodomésticos e os bilhões de outros objetos que constituem a IoT.
Em geral, projetar uma rede profunda para microcontroladores é uma tarefa complicada, que requer um grande conjunto de estruturas de rede com base em um modelo predefinido, para encontrar aquele com alta precisão e baixo custo. De acordo com Ji Lin, o processo funciona, mas não é o mais eficiente: “Pode ser muito bom para GPUs ou smartphones, mas tem sido difícil aplicar diretamente essas técnicas a microcontroladores, porque eles são muito pequenos”, explica o pesquisador.

A equipe desenvolveu então o algoritmo TinyNAS, um método de pesquisa de arquitetura neural que cria redes de tamanho personalizado e otimiza o espaço de busca para diferentes microcontroladores. Em seguida, o modelo final e eficiente é incorporado ao microcontrolador, com um mecanismo de inferência enxuto, sem informações desnecessárias, para não sobrecarregar o sistema. Com tudo junto, fica apenas um megabyte de flash.

O primeiro desafio do MCUNet foi a classificação de imagens. Os pesquisadores usaram o banco de dados ImageNet para treinar o sistema e testar sua capacidade de classificar novas imagens. Em um microcontrolador comercial, o sistema classificou com sucesso 70,7% das novas imagens, enquanto a combinação anterior de rede neural e mecanismo de inferência de última geração tinha apenas 54% de precisão. “Mesmo uma melhoria de 1% é considerada significativa. Portanto, foi um salto gigantesco para as configurações do microcontrolador”, diz Lin.

Os cientistas do MIT explicam que a implantação de redes neurais diretamente em dispositivos minúsculos é uma área de pesquisa que está ganhando força rapidamente, pelo seu imenso potencial de aplicação, e empresas como o Google estão trabalhando nessa direção.