МЕТОДОЛОГІЯ ОПТИМІЗАЦІЇ НЕЙРОННОЇ МЕРЕЖІ З ІНТЕГРАЦІЄЮ ПЕРЦЕПТРОННИХ КОМПОНЕНТІВ РЕАЛІЗОВАНИХ НА ПЛІС

Анотація

Запропонована робота присвячена розробці нової методики оптимізації нейронної мережі, що забезпечує висновок у реальному часі на програмованих логічних інтегральних схемах. Основна ідея дослідження полягає у перенесенні частини обчислень з онлайн-висновку на стадію офлайн-навчання за допомогою методів пояснюваного ШІ (ПШІ). Це дозволяє оцінити важливість кожної ознаки, забезпечуючи розрідженість даних та зменшуючи накладні витрати на локальне обчислення. Завдяки цьому локальна нейромережа може бути значно легшою, що суттєво знижує вимоги до пам’яті, енерговитрат та обчислювальних ресурсів, а також дозволяє зберегти високий рівень точності висновку. Методика враховує неоднорідність вхідних даних, що дозволяє відокремити ключові ознаки, які зберігаються локально, від менш важливих, що передаються на віддалений сервер для подальшої обробки. Інтеграція локальних та віддалених нейромереж відбувається через уніфіковану функцію втрат, яка включає як критерій точності, так і вимогу до асиметрії важливості ознак. Використання попередньої обробки екстрактора ознак, а також адаптивне розбиття мережі сприяють досягненню оптимального компромісу між точністю висновку та витратами на обчислення. Дослідження демонструє, що запропонований підхід дозволяє зменшити затримки висновку до десятків мілісекунд, що є критичним для застосувань у IoT, автономних роботах, медичних пристроях та інших системах з обмеженими ресурсами. Також, акцентується увага на аспектах залучення одношарових та багатошарових перцептронів, як первинних компонентів нейронних мереж, що можуть використовуватись на етапах попередньої обробки сигналів та даних, зокрема для оцінювання неоднорідності даних, а також на етапі формування локальних висновків. Окрім того, підвищена енергоефективність і оптимізація використання локальної пам’яті сприяють розширенню можливостей впровадження передових технологій штучного інтелекту на рівні ПЛІС. Методика забезпечує більш точну атрибуцію ознак за допомогою інтегрованих градієнтів, що дозволяє адаптивно налаштовувати параметри як локальної, так і віддаленої мереж, мінімізуючи затримки передачі даних та знижуючи енергоспоживання. Загальний внесок роботи полягає у створенні гнучкої архітектури нейронних мереж, здатної ефективно балансувати між точністю висновку та обчислювальними витратами, що відкриває нові перспективи для практичного використання ШІ у різних галузях сучасної ІТ-індустрії.