在處理海量COVID-19數據時，機器學習對2020年產生了巨大影響。為了在2021年實現ML的發展，開發人員正在加倍使用設備上AI、低功耗架構和框架兼容性等功能。

機器學習（ML）在2020年產生了前所未有的影響，特別是在通過數據處理檢測和跟蹤COVID-19病毒時。研究人員受益于使用ML分析大量信息并就大量人員的整體健康得出結論。

到2021年，ML在量子計算、機器人技術和基于邊緣的AI中的應用將具有巨大的潛力。

流程圖，描述了機器學習AI流程的各個階段。

機器學習AI處理步驟的高級流程圖。圖片由sustAGE提供

這些應用程序的核心是硬件。特別是，三個針對硬件的思想對于ML硬件開發必不可少：面向邊緣的設計，低功耗架構以及與ML框架的兼容性。

將ML推向邊緣：內置AI

考慮到正在使用和處理的大量數據時，邊緣智能變得越來越必要。在為邊緣AI設計時，設計人員必須考慮許多約束，例如功耗，電路板空間和計算時間。

設備上的AI解決了其中一些問題，可以進行本地化處理，這有助于減少云計算的負擔，同時還可以更快、更節能。許多制造商意識到了這一好處，并試圖將設備上的AI包含在智能手機，車輛和IoT設備等各種應用中。通過考慮邊緣設計，工程師可以在產品投放市場時為其提供競爭優勢。

LG的SoC和LG8111開發板是邊緣AI的最新硬件產品。該SoC和開發板包括LG專用的AI處理器和AI加速器。這些設備一起支持各種AI處理功能，例如語音，視頻，圖像和控制智能。

LG8111 SoC和開發板。圖片由LG提供

該芯片還支持ASW IoT Greengrass，從而使該SoC和開發板可以根據設備托管各種應用程序和解決方案。

具有DSP和NN處理器的低功耗架構

在邊緣進行設計時，功耗是最重要的考慮因素之一。機器學習處理大量數據；因此，在設計系統時，消除處理過程中的功率浪費是必要的。

實現低功耗架構的一種方法是同時使用低功耗數字信號處理器（DSP）和專用NN（神經網絡）處理器。DSP Group通過其新的DVM10 DSP和nNetLite NN處理器將這種低功耗方案付諸實踐。這種結構允許兩個處理器之間具有不同的功能，具體取決于所安裝的算法和框架。

這種設置還使處理器能夠拆分讀取數據和指定任務的過程，與所有任務只依靠一個處理器處理相比，減少功耗。

DBM10上受支持的應用程序以及當前的SoC。圖片由DSPG提供

處理器的這種組合使SoC支持?500μW的超低功耗推理，這對于大多數語音NN算法來說已經足夠了。

與ML框架的兼容性

盡管編程和軟件應用程序似乎與硬件設計是分開的，但它越來越成為一個交叉地帶，尤其是在ML中。因此，有必要知道設備將使用什么框架。根據產品或用戶的需求，擁有可以與各種ML框架兼容的處理器可能會有所幫助。

Ambarella的CV5處理器是框架兼容性的最新示例。CV5與常見的ML框架（例如Caffe，PyTorch，TensorFlow和ONNX）兼容。框架兼容性的靈活性為用戶提供了多種選擇，可將其神經網絡集成到設備中。

2021年的機器學習：量子機器學習？

2021年預測的一個主要趨勢是機器學習與量子計算的集成，被稱為“量子機器學習”。根據《量子日報》的說法，量子機器學習指的是“旨在編寫量子算法來執行機器學習任務的領域”。

對于經典計算機而言，某些機器學習算法過于復雜且勞動強度大。使用量子ML，研究人員可以將經典的ML算法轉換為量子電路，從而使它們能夠在量子計算機上有效運行。

經典機器學習（CML）與量子機器學習（GML）。圖片由ICFO提供

新領域鋪平道路

我們在去年看到了量子計算的商業化，同時增強了機器學習的優勢。

在大流行仍在繼續的情況下，迫切需要快速，準確的數據處理。通過使用板級設計選擇擴展和發展機器學習，設計人員可以將機器學習推向邊緣并解決日益增加的數據處理負擔。
編輯：hfy