ترجمه فارسی مقاله یادگیری ماشین در حسگرها: حسگرهای هوشمند مبتنی بر محاسبات برای نسل بعدی اینترنت اشیا

چکیده

Smart sensors are an emerging technology that allows combining the data acquisition with the elaboration directly on the Edge device, very close to the sensors. To push this concept to the extreme, technology companies are proposing a new generation of sensors allowing to move the intelligence from the edge host device, typically a microcontroller, directly to the ultra-low-power sensor itself, in order to further reduce the miniaturization, cost and energy efficiency. This paper evaluates the capabilities of a novel and promising solution from STMicroelectronics. The presence of a floating point unit and an accelerator for binary neural networks provide capabilities for in-sensor feature extraction and machine learning. We propose a comparison of full-precision and binary neural networks for activity recognition with accelerometer data generated by the sensor itself. Experimental results have demonstrated that the sensor can achieve an inference performance of 10.7 cycles/MAC, comparable to a Cortex-M4-based microcontroller, with full-precision networks, and up to 1.5 cycles/MAC with large binary models for low latency inference, with an average energy consumption of only 90 $μ$J/inference with the core running at 5 MHz.

چکیده به فارسی (ترجمه ماشینی)

سنسورهای هوشمند یک فناوری در حال ظهور هستند که امکان ترکیب داده ها را با تدوین مستقیم در دستگاه لبه ، بسیار نزدیک به سنسورها فراهم می کند.برای فشار آوردن این مفهوم به افراط ، شرکت های فناوری ارائه نسل جدیدی از سنسورها را ارائه می دهند که اجازه می دهند هوش را از دستگاه میزبان Edge ، به طور معمول یک میکروکنترلر ، مستقیماً به سنسور فوق العاده کم قدرت منتقل کنند تا بتوانند مینیاتوریزاسیون را کاهش دهند.، هزینه و بهره وری انرژی.در این مقاله قابلیت های یک راه حل جدید و امیدوار کننده از stmicroelectronics ارزیابی شده است.وجود یک واحد نقطه شناور و یک شتاب دهنده برای شبکه های عصبی باینری قابلیت هایی را برای استخراج ویژگی در سنسور و یادگیری ماشین فراهم می کند.ما مقایسه ای از شبکه های عصبی با دقت کامل و باینری را برای تشخیص فعالیت با داده های شتاب سنج تولید شده توسط خود سنسور پیشنهاد می کنیم.نتایج تجربی نشان داده است که سنسور می تواند به عملکرد استنتاج 10.7 چرخه در مک برسد ، قابل مقایسه با میکروکنترلر مبتنی بر قشر- M4 ، با شبکه های با دقت کامل و حداکثر 1.5 چرخه/MAC با مدلهای باینری بزرگ برای استنتاج تأخیر کم ،با میانگین مصرف انرژی تنها 90 $ μ $ j/استنباط با هسته در 5 مگاهرتز اجرا می شود.