开发人员在机器学习基础上移动进入新的一年

机器学习(ML)在2020年产生了前所未有的影响，特别是在通过数据处理检测和跟踪COVID-19病毒时。研究人员受益于使用ML分析大量信息并得出大量关于人们总体健康的结论。

至于2021，在量子计算，机器人和边缘AI中可能存在巨大的ML应用潜力，以命名几个。

一个机器学习AI过程的高级流程图步骤。图片由sustAGE

在这些应用程序的核心处于硬件。特别是，三种硬件的想法对于ML硬件开发至关重要：设计朝向边缘，低功耗架构和与ML框架的兼容性。

将ML推到边缘：设备上的AI

考虑到正在使用和处理的海量数据，边缘智能变得更加必要。在设计边缘AI时，设计师必须考虑许多限制因素，如功率、电路板空间和计算时间。

On-Device AI解决了其中一些问题，允许局部处理，这有助于减少云计算的应变，同时也更快，更高效。许多制造商实现了这种好处，并试图在智能手机，车辆和物联网等各种应用中包含设备上的设备。通过设计边缘，工程师可以给产品竞争优势当它到达市场时。

人工智能硬件的最新发展是LG LG8111，一个SoC和开发板。这个SoC和开发板包括一个lg特定的AI处理器和一个AI加速器。这些设备一起支持各种人工智能处理功能，如语音、视频、图像和控制智能。

LG8111 SOC和开发板。图片由LG.

该芯片还支持ASW IOT GreenGrass，从而允许该SoC和开发板托管各种应用和解决方案，具体取决于设备。

具有DSP和NN处理器的低功耗架构

权力是这是最重要的考虑之一设计时在边缘。机器学习处理大量的数据;因此，在设计系统时，消除处理过程中的功耗是必要的。

实现低功耗架构的一种方法是同时使用低功耗digital信号处理器（DSP）和专用NN（神经网络）处理器。DSP组将此低功耗方案置于其行动新的DVM10DSP和NnetLite NN处理器。此结构允许在两个处理器之间进行不同的功率，具体取决于安装的算法和框架。

此设置还允许处理器分开读取数据和指定任务的过程，能导致更少的能耗吗比在一个处理器上超载所有任务要好。

支持DBM10的应用程序和查看实际SOC。图片由DSPG

这种处理器的组合使SoC支持在~500 μW的超低功耗推断，这是大多数语音神经网络算法的典型。

与ML框架的兼容性

虽然编程和软件应用程序似乎与硬件设计分离，但它正日益成为一个灰色地带，特别是在ML中。因此，有必要知道设备将使用什么框架。根据产品或用户的需要，拥有一个能够与各种ML框架兼容的处理器可能是有益的。

Ambarella的CV5处理器是最近框架兼容性的例子。CV5与Caffe，Pytorch，Tensorflow和Onnx等共同的ML框架兼容。在框架兼容性中的这种灵活性使用户可以将其神经网络集成到设备中的多个选项。

ML在2021年：量子机器学习？

预计2021年的一个主要趋势是机器学习与量子计算，配音“量子机学习”。根据量子，量子机器学习指的是“一个旨在编写量子算法来执行机器学习任务的领域。”

一些机器学习算法过于复杂和劳动密集型，古典计算机无法处理。利用量子ML，研究人员可以将经典的ML算法转换成量子电路，使它们在量子计算机上有效运行。

经典机器学习(CML)和量子机器学习(GML)。图片由ICFO

这个新领域可以为量子计算的商业化铺平道路，同时增强我们去年看到的机器学习的好处。

由于大流行仍在继续，迫切需要快速、准确的数据处理。通过使用板级设计选择来扩展和发展ML，设计师可以将ML推向边缘，解决不断增加的数据处理负担。