به گزارش ایسنا،‌ محققان دانشگاه تهران با حمایت ستاد توسعه فناوری‌های اتصال‌پذیری و ارتباطات، نرم‌افزاری نوآورانه ارائه داده‌اند که قادر است پردازنده‌های سفارشی‌سازی‌شده را برای اجرای سریع و کم‌مصرف مدل‌های هوش‌مصنوعی، به‌ویژه یادگیری عمیق، در دستگاه‌های اینترنت اشیاء طراحی کند.

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

مصطفی ارسالی صالحی نسب، سرپرست این پروژه، شتاب‌دهی به پردازش داده‌ها، امکان پیش‌بینی دقیق رفتار سیستم‌ها، ارتقای امنیت اطلاعات و افزایش استقلال دستگاه‌های هوشمند را از ویژگی‌های کلیدی این محصول خواند و اظهار کرد: این فناوری که اکنون در سطح TRL4 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: پلتفرم نرم‌افزاری ما، راهکاری نوین برای ساخت تراشه‌های سفارشی است که امکان اجرای سریع و کم‌مصرف مدل‌های 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 اشیاء، کاهش مصرف انرژی، اینترنت اشیای پزشکی، سامانه‌های پردازش برخط تصویر و صوت در خودروهای هوشمند و همچنین هوشمندسازی سیستم‌های پایش صنعتی را در برمی‌گیرد.

به نقل از معاونت علمی ریاست‌جمهوری، 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. این امر به ما امکان می‌دهد تا محصولات را هوشمندتر با عملکرد بهتر و هزینه کمتر به بازار عرضه کنیم.

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

انتهای پیام