如果您拥有具有面部识别功能的智能手机，您可能会想知道：您的设备如何学会识别自己的脸而不是配偶的脸?

值得称赞的是神经网络，一种越来越多地用于日常设备的人工智能形式。神经网络是经过训练的算法，可以识别模式并不断提高其识别能力，就像人的大脑一样。

为了变得如此聪明，神经网络需要大量的功率，到目前为止，这已经限制了它们在小型电池供电设备中的用途。您是否曾经想过为什么智能手机支持人脸识别，但智能手表却不支持?仅仅是因为手表没有足够的动力来支撑它。得益于美国国家科学基金会(NSF)的新拨款，特拉华大学电气与计算机工程副教授Yang Chengmo正在研究通过使用新兴的存储设备来支持低功耗嵌入式系统中的神经网络的方法，该存储设备即使在上电后也可以检索信息。关闭，并进一步减少这些新兴设备中的错误。

适用于神经网络的硬件

为了构建神经网络，工程师需要正确组合硬件和软件。Yang正在从硬件方面接近神经网络。

杨说：“我的研究致力于如何开发更适合某些应用的下一代设备或系统或计算机。”她特别致力于随着设备在物联网(IoT)中的连接日益紧密而提高其使用寿命和可靠性。其中一些设备(尤其是低端嵌入式和IoT设备)没有足够的内存空间或电池电量来运行神经网络算法。

杨说：“例如，某些在户外使用的传感器不适合频繁的电池充电。”“您希望能够使用多年，但是神经网络算法几乎每周或每月都可以更新。”

解决方案可能在于使用非易失性存储器，该存储器不依靠电力来存储信息。使用这些系统，即使断电也不会丢失数据。

杨说：“新兴设备利用物理特性来存储价值。”“例如，该材料可能具有用于存储信息的两个不同阶段，并且当您不使用它时，不需要提供任何电源。”

这些类型的设备可能会遇到某些类型的错误，并会受到温度和湿度等条件变化的负面影响。然后，在这些设备上运行的任何神经网络都可能有出​​错的风险。Yang正在开发一种新的方法来测试设备以及检测，分类和缓解神经网络中的这些错误。她的目标是确定累积的错误阈值，在该阈值上可以重新编程或刷新设备，以将其恢复为原始的无错误状态。

杨说：“由于刷新和重新编程会消耗一些能量，因此只在知道必要时才这样做。”

Yang教授微处理器和嵌入式系统的本科课程，旨在为本科生解决复杂的硬件问题做好准备。她还是垂直整合项目(VIP)团队的负责人，该团队名为“威胁互联网”。这些项目将本科生，研究生和教职员工配对，共同致力于实际项目。

“对学生来说，了解数据科学的硬件方面很重要。当大多数人谈论数据科学和模型时，他们会考虑软件，而不是如何在硬件中实现这些模型。”随着设备变得越来越先进，这些技能将变得越来越重要，因此Yang计划教学生如何使用硬件来实现强大的神经网络加速器。

她还教授系统可靠性研究生课程，以帮助学生识别硬件中有问题的故障和错误。

“当学生开始学习编程时，他们会认为尽管软件可能存在错误，但硬件始终是良好且值得信赖的，”杨说。“这种假设不再成立。”