هوش مصنوعی در سیستم‌های نهفته

AI in Embedded Systems

مقطع: تحصیلات تکمیلی گرایش: معماری سیستم‌های کامپیوتری
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف درس هوش مصنوعی در سیستم‌های نهفته، توسعه دانش و مهارت‌های دانشجویان در زمینه طراحی، پیاده‌سازی، و بهره‌برداری از روش‌ها و الگوریتم‌های هوش مصنوعی در سیستم‌های با منابع محدود است. این درس بر آموزش مفاهیم اساسی و پیشرفته هوش مصنوعی تمرکز دارد و دانشجویان را با استفاده از آن‌ها، قادر می‌سازد تا راه‌حل‌های نوآورانه و کارآمد برای مسائل مختلف موجود در سیستم‌های نهفته ارائه کنند. این درس با ارائه مطالب نظری و فراهم کردن فرصت‌های عملی، دانشجویان را برای مواجهه با چالش‌های واقعی در حوزه هوش مصنوعی و سیستم‌های نهفته آماده می‌کند و ایجاد یک محیط آموزشی فعال و تعاملی را تضمین می‌کند.

سرفصل‌ها

  1. مقدمات و آشنایی با فناوری محاسبات نهفته آشنایی با بوردهای آردوینو نانو، ARM, stm32 و نظایر آن
  2. سیستم‌های نهفته و مهندسی نرم‌افزار نهفته، مبانی محاسباتی و پردازش در الگوریتم‌های هوش مصنوعی
  3. ابزارهای توسعه و کتابخانه‌های یادگیری عمیق Tensorflow Lite, EIE, Torch و نظایر آن
  4. ساختار حافظه در سیستم‌های نهفته، حافظه داده مانند حافظه کد، حافظه داده، پشته، Heap
  5. بررسی دقیق روش‌های آموزش روی بورد نهفته با وجود حافظه کمتر از یک مگابایت و روش‌های آموزش تنظیم دقیق روی بورد
  6. معرفی و بررسی شبکه‌های عصبی، مدل‌های یادگیری عمیق، مفاهیمی مانند انتشار رو به جلو و انتشار رو به عقب
  7. بررسی عمل کانولوشن، روش‌های تسریع سرعت در عمل کانولوشن با محاسبات برداری
  8. طراحی همروند نرم‌افزار سخت‌افزار برای کاهش حجم مدل شبکه عصبی عمیق و تعداد ضرب و جمع‌های لازم
  9. بررسی بینایی ماشین با روش‌های یادگیری عمیق، نحوه آموزش بوردهای ARM و Stm32 برای اجرای مدل‌های از پیش آموزش دیده
  10. برنامه‌ریزی بوردهای سخت‌افزاری از قبیل Arduino و stm32F704 برای اجرای روش‌های تشخیص اشیا، تشخیص فرد
  11. استفاده از Tiny ML و Tiny AL بر روی سیستم‌های نهفته مفاهیم مرتبط با بهینه‌سازی مدل‌های یادگیری عمیق و محاسبات کم‌حجم
  12. بررسی تکنیک‌هایی مانند Auto ML، روش‌های هرس کردن تکراری و تنظیم دقیق و چندی‌سازی برای کاهش حجم مدل‌ها.
  13. یادگیری توزیع‌شده و استفاده از روش‌های یادگیری انتقالی و تنظیم دقیق
  14. آشنایی با مدل‌های مبدل بینایی و استفاده از آن در سیستم‌های نهفته

ارزیابی پیشنهادی

منابع پیشنهادی

  1. P. Warden and D. Situnayake. TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. O'Reilly Media, 2020
  2. B. Moons, D. Bankman, and M. Verhelst. Embedded Deep Learning: Algorithms, Architectures and Circuits for Always-on Neural Network Processing. Springer, 2019.
  3. A. Krishna Gupta and S. P. Nandya. Deep Learning on Microcontrollers: Learn how to develop embedded AI applications using TinyML. BPB Publications, 2023.