EO_505

ELETTRONICA OGGI 505- OTTOBRE 2022 44 DIGITAL HW ACCELERATORS potenza e costi che non può supportare né GPU ad alta potenza né trasmettere una grande quantità di dati ai server cloud. Per superare queste criticità sono stati proposti diversi schemi di elaborazione dell’intelligenza artificiale basati anche sull’Edge Computing. Lo schema di elaborazione dell’intelligenza artificiale basato sull’edge mira a utilizzare i dati localizzati latoedgeedevita il sovraccarico della rete di comunicazione. Attualmente, la maggior parte dei processori di intelligenza artificiale si concentra sull’elaborazione della rete neurale convoluzionale (CNN) che è ampiamente utilizzata negli algoritmi di visione computazionale e richiede molte risorse di calcolo. Le reti neurali convoluzionali all’avanguardia includono comunemente tre diversi livelli di calcolo: livello di convoluzione, livello di pooling e livello completamente connesso. Il livello di convoluzione è la parte della rete neurale a più alta intensità di calcolo, con il livello di pooling inserito tra due livelli di convoluzione con la funzione di ridurre le dimensioni dei dati intermedi e di rimappare le mappe delle caratteristiche. Il livello completamente connesso è solitamente l’ultimo livello della CNN per prevedere le etichette dei dati di input, ossia, la larghezza di banda della memoria limitata, piuttosto che la risorsa di calcolo limitata. Il ruoloprincipale di un livello di convoluzione è applicare Fig. 2 – Rappresentazione del livello di convoluzione Fig. A – Le GPU sono diventate di uso comune e standard nell’addestramento di algoritmi di apprendimento profondo o delle reti neurali convoluzionali per il rilevamento e riconoscimento di volti, oggetti, data mining e altre applicazioni di intelligenza artificiale