Профессор Чонхо Квак с кафедры электротехники и компьютерных наук DGIST разработал модель обучения и технологию оптимизации ресурсов, которая сочетает в себе точность и эффективность для услуг машинного зрения 6G. Ожидается, что эта технология будет использоваться для решения задач высокого уровня вычислительной мощности и сложных моделей обучения, необходимых для услуг машинного зрения 6G.
Услуги мобильного зрения 6G связаны с инновационными технологиями , такими как дополненная реальность (AR) и автономное вождение, которым уделяется значительное внимание в современном обществе. Эти сервисы позволяют быстро захватывать видео и изображения и эффективно понимать их контент с помощью моделей глубокого обучения.
Однако для этого требуются высокопроизводительные процессоры (GPU) и точные модели обучения. Предыдущие технологии рассматривали модели обучения и вычислительные/сетевые ресурсы как отдельные объекты, не оптимизируя производительность и использование ресурсов мобильных устройств.
Чтобы решить эту проблему, команда профессора Чонхо Квака сосредоточилась на одновременной оптимизации моделей обучения и вычислительных/сетевых ресурсов в режиме реального времени. В результате они предложили новую интегрированную модель обучения и алгоритм оптимизации вычислений/сети VisionScaling, который способен снизить потребление энергии как минимум на 30%, сохраняя при этом среднюю точность по сравнению с текущими технологиями без ущерба для средней целевой точности или временной задержки.
Алгоритм VisionScaling, разработанный командой профессора Квакса, адаптируется к постоянно меняющимся мобильным средам для поддержания оптимальной производительности даже без предварительного знания будущих условий благодаря использованию «Выпуклой онлайн-оптимизации (OCO)», одной из новейших методик обучения.
Кроме того, команда профессора Квака реализовала и протестировала реальную среду услуг мобильного машинного зрения с использованием встроенных устройств искусственного интеллекта и подключенных платформ периферийных вычислений. Они подтвердили, что разработанный алгоритм VisionScaling экономит на 30% больше энергии в мобильных устройствах и уменьшает сквозную задержку на 39% по сравнению с ранее использовавшимися алгоритмами.
Профессор Чонхо Квак с кафедры электротехники и информатики DGIST заявил: «Это исследование удовлетворяет как практический вклад внедрения и проверки производительности в нерегулярно меняющихся мобильных средах, так и математический вклад использования методов динамической оптимизации и обучения для доказательства оптимальной производительности. Это важно, поскольку обеспечивает техническую основу для мобильных сервисов на основе глубокого обучения , требующих в будущем более высоких ресурсов памяти и вычислений».
Исследование опубликовано в журнале IEEE Internet of Things Journal.
