طراحی یک ابزار نرم افزاری کارآمد برای پیاده سازی الگوریتم های یادگیری ماشین بر روی میکروکنترلرهای با منابع محدود

امروزه با رشد علم هوش مصنوعی اینترنت اشیا مبتنی بر هوش مصنوعی و فناوریهای صنعتی وابسته به آن پیاده سازی الگوریتم های یادگیری ماشین بر روی میکروکنترلرهای با منابع محدود یک امر بسیار مهم تلقی میگردد. میکروکنترلرها تراشه های الکترونیکی کوچکی هستند که قابلیت انجام عملیات پردازشی و کنترلی را دارند. این تراشه ها معمولا در سیستم های نهفته استفاده میشوند و منابع محدودی نظیر حافظه قدرت پردازشی و انرژی دارند پیاده سازی الگوریتمهای یادگیری ماشین بر روی میکروکنترلرهای با منابع محدود با چالشهایی روبرو است. به دلیل محدودیت منابع الگوریتم های یادگیری ماشین باید بهینه سازی شوند تا بتوانند در محدودیتهای موجود عمل کنند برای مثال حافظه محدود میکروکنترلر ممکن است باعث ایجاد محدودیت در توانایی ذخیره داده ها و پارامترهای الگوریتم شود همچنین قدرت پردازشی محدود میکروکنترلر باعث میشود الگوریتمهای پیچیده و سنگین در پردازش را نتوان بر روی این تراشه ها اجرا نمود برای پیاده سازی الگوریتم های یادگیری ماشین بر روی میکروکنترلرهای با منابع محدود باید از روشهای بهینه سازی استفاده نمود. این روشها شامل فشرده سازی داده ها استفاده از الگوریتم های سبک و سریع و بهینه سازی سخت افزاری هستند همچنین استفاده از روشهای تقریبی و تخمینی نیز میتواند در بهبود عملکرد الگوریتم ها در محدودیتهای منابع کمک کند. در این مقاله یک ابزار نرم افزاری کارآمد با قابلیت دریافت مدلهای یادگیری ماشین و بهینه سازی آنها به منظور پیاده سازی در سخت افزارهای مبتنی بر میکروکنترلر با منابع محدود طراحی و معرفی شده است. همچنین ضمن معرفی یک نقشه راه برای پیاده سازی الگوریتم های یادگیری ماشین مثالی سخت افزاری در قالب یک مدل یادگیری ماشین مبتنی بر طبقه بندی کننده جنگل تصادفی عنوان گردیده است.

Keywords:

بهینه سازی , پیاده سازی سخت افزاری , منابع محدود , میکروکنترلر , هوش مصنوعی , یادگیری ماشین