ЖУРНАЛ СТА №4/2024

редовая технология не может быть ис- пользована для реальных приложений. Более эффективным решением для уве- личения параллельных вычислений при сохранении низкого энергопотреб- ления является многоядерная архитек- тура. Однако управлять такой системой сложнее. Более эффективной архитек- турой может стать объединение специ- ально разработанных аппаратных уско- рителей для глубокого обучения с про- цессором общего назначения и перифе- рийными устройствами ввода-вывода, такими как представленное устройство в разделе II-A контроллера серии 78000. Производители новейших аппаратных устройств не предоставляют базовых программных библиотек для разработ- ки приложений. Поэтому для использо- вания современных аппаратных устройств часто требуется разработка с нуля, что отнимает много времени и яв- ляется сложной задачей. Микроконтроллеры STM32 широко используются в качестве микроконт- роллеров общего назначения, посколь- ку поставщик предоставляет пакет X- CUBE-AI. Однако свобода ручной опти- мизации ограничена, так как это пред- варительно скомпилированная среда с высокоуровневой конфигурацией. С дру- гой стороны, это преимущество для раз- работчиков без большого опыта в дан- ной области. Популярные фреймворки ML, такие как TensorFlow, Keras и Caffe, поддерживаются их наборами про- граммных инструментов. Недавно по- явились новые фреймворки, которые могут улучшить результаты: MicroAI и MCUNet. MicroAI – это платформа для развёртывания глубоких нейронных се- тей на микроконтроллерах, включая квантование. Основные особенности фреймворка MicroAI: ● реализация CNN с непоследователь- ными топологиями; ● поддержка 16-битного квантования; ● не предназначен для ограниченного семейства аппаратных целей. MCUNet – это фреймворк, который обеспечивает эффективное проектиро- вание нейронной архитектуры с ис- пользованием двухэтапного подхода к поиску нейронной архитектуры наряду с библиотекой вывода. Они достигли рекордно высокой точности в 70,7% на микроконтроллерах, используя круп- номасштабный набор данных ImageNet. Оба фреймворка превосходят суще- ствующие решения, такие как Tensor- Flow Lite Micro и CMSIS-NN, что относит их к самым перспективным фреймвор- кам. Методы сжатия сетей, такие как квантование и обрезка, постоянно со- вершенствуются. Однако разработка с нуля остаётся сложной задачей. Чтобы её решить, разрабатываются различ- ные решения с открытым исходным кодом, например: ● сжатие моделей с помощью Neural Network Intelligence (NNI); ● инструментарий эффективности мо- делей искусственного интеллекта (AIMET); ● SparseML. Заключение Глубокое обучение и глубокие ней- ронные сети – многообещающие реше- ния для сложных задач. Традиционно такие задачи решаются с помощью больших компьютерных систем со спе- циализированным оборудованием, так как требуют высоких вычислительных мощностей и ресурсов памяти. Однако недавние исследования показывают, что парадигма глубокого обучения и реализация периферийных вычисле- ний могут быть полезны и для простых приложений. Периферийные вычисле- ния помогают решать многие реаль- ные проблемы, которые необходимо решить в ближайшее время в контекс- те недорогих/маломощных приложе- ний. В этом случае процессор ARM Cortex-M является одним из лучших возможных кандидатов. В статье опи- сана реализация глубоких нейронных сетей с использованием микроконт- роллеров на базе ядра ARM Cortex-M за- рубежных производителей. Внедрение глубоких нейронных се- тей на встраиваемых устройствах, та- ких как микроконтроллеры, – сложная задача. Это связано с ограничениями на вычисления и объём памяти. Поэто- му разработчики вынуждены настраи- вать существующие архитектуры или даже разрабатывать инновационные модели, которые лучше подходят для встраиваемых процессоров. Все описанные примеры и нейросе- тевые решения применимы на отече- ственных процессорах ARM-архитекту- ры. В итоге использование оптимизи- рованного оборудования в сочетании с оригинальными архитектурами глубо- ких нейронных сетей приводит к соз- данию интеллектуальных и энерго- эффективных систем. ● Автор – сотрудник фирмы ПРОСОФТ Телефон: (495) 234-0636 E-mail: info@prosoft.ru СТА 4/2024 42 www.cta.ru ОБ ЗОРЫ Российские ИБП Эксперт и Легион от «Сайбер Электро» получили сертификат сейсмостойкости в 9 баллов по шкале MSK-64 Отраслевая защищённость, прочность и полное соответствие российским нормати- вам качества продукции торговой марки «Сайбер Электро» подтверждена новым сер- тификатом на сейсмостойкость. Источники бесперебойного питания се- рий ЭКСПЕРТ и ЛЕГИОН от «Сайбер Элек- тро» успешно прошли тестовые испытания на сейсмоустойчивость и получили дей- ствующий сертификат MSK-64. Экспериментальные данные были полу- чены расчётным методом с использовани- ем математической модели и показали, что ИБП ЭКСПЕРТ и ЛЕГИОН, мощностью от 1/10 до 10/500 кВА, сохраняют свои рабочие ха- рактеристики при сильных разрушитель- ных землетрясениях с амплитудой 9 баллов. Сейсмоустойчивые и надёжные беспере- бойники ЭКСПЕРТ и ЛЕГИОН подходят для эксплуатации на промышленном про- изводстве и ЦОД, в составе телекоммуника- ционных систем, АСУ ТП и серверных на объектах, расположенных в сейсмоопасных климатических зонах. Производителю выдан соответствующий сертификат ГОСТ Р, подтверждающий ис- полнение его продуктов сейсмостойкости в 9 баллов по шкале MSK-64. Об уровне 9 сейсмозащиты ИБП по шкале MSK-64 Шкала сейсмостойкости MSK-64 приме- няется в России для определения устойчиво- сти зданий, сооружений, оборудования и раз- личных конструкций к разрушительной силе толчков при землетрясениях. Уровень сейс- мостойкости в 9 баллов, максимальный для зданий и сооружений, при котором они ещё могут устоять без обрушений, означает, что в случае сильных толчков ИБП «Сайбер Электро» не будут повреждены на объ- ектах с таким же высоким уровнем сейсмозащиты. ●