🔸 #تازه_ها ؛

✅ کمپانی ARM از معماری جدید خود با نام ArmV8.1-M رونمایی کرد.
👈 این پردازنده یک افزونه پردازنده برداری به نام "هلیوم" دارد که امکان #پردازش_لبه برای محاسبات/پرذازش های سیگنال و #هوش_مصنوعی فراهم می کند.
👈 این پردازنده قادر است 15 برابر کارایی بهتر در پردازش های هوش مصنوعی و 5 برابر کارایی بهتر در پردازش سیگنال داشته باشد.

👈 این معماری جدید #ARM فصل جدیدی در توسعه پردازش لبه (#EdgeComputing) خواهد گشود و پیش بینی میشود مورد استفبال صنعت #اینترنت_اشیاء قرار گیرد.

از وبسایت آرم بخوانید.
@embedded

🔸 محیط اجرای پردازش لبه اینتل Devcloud

👈 توسعه‌دهندگان #هوش_نهفته و #پردازش_لبه، همواره با چالش‌هایی جهت انتخاب سخت افزار و نرم‌افزار مناسب جهت کاربرد خاص، روبه‌رو هستند.

👈 اما، ابزار فراهم شده توسط اینتل میتواند چالش‌های ذکر شده را برای متخصصان این حوزه برطرف کند. اینتل شرایط و امکانات سخت افزاری و نرم افزاری جهت پردازش لبه‌ای را در بستر ابری DevCloud فراهم کرده که حتی به طور رایگان میتواند جهت نمونه سازی و تست کارایی مورد استفاده قرار گیرد.

🔗 https://devcloud.intel.com

🔺 پردازش لبه و تفاوت آن با ابری؟
🔺 ابزار مایکروسافت برای پردازش هوش مصنوعی روی لبه

#EdgeComputing
#CloudComputing
#EmbeddedAi
@embeddedAi
@embedded

What is Edge Computing?

Edge computing is a distributed computing paradigm that brings computation and data storage closer to the sources of data.
This is expected to improve response times and save bandwidth.
It is an architecture rather than a specific technology.
It is a topology- and location-sensitive form of distributed computing.

This video focuses on edge computing and some cloud computing:

https://youtu.be/0idvaOCnF9E

via Rei Notes

#EdgeComputing
@embedded

هوش‌مصنوعی، آنالوگ می‌شود؟

در ادامه روند شتابان پیشرفت تحقیقات در زمینه پردازش‌های عصبی؛ در پاسخ به نیاز گسترده عموم به پردازش شبکه‌های بیشتر با سرعت بیشتر و مصرف انرژی پایین‌تر، ایده آزمایشگاهی شبکه‌های عصبی فیزیکی (PNN) معرفی شد.

این شبکه‌های عصبی فیزیکی از خواص نور و پدیده‌های کوانتومی برای پردازش اطلاعات استفاده می‌کنند، بنابراین محدودیت‌های پردازشی و انرژی ندارند.

پژوهشی که به تازگی در مجله Nature منتشر شده، مراحل آموزش شبکه‌های عصبی فیزیکی توسعه داده شده با چیپ‌های فوتونیک را مشخص می‌کند. این چیپ‌ها با استفاده از فناوری‌های فوتونیک یکپارچه، عملیات ریاضی مانند جمع و ضرب را از طریق مکانیزم‌های تداخل نور روی میکروچیپ‌های سیلیکونی کوچک انجام می‌دهند.

تحقیقات و پیشرفت‌های آزمایشگاهی مثل این پژوهش، نشان دهنده‌ی آینده‌ای جذاب در این حوزه است که بتواند پردازش مدل‌های بزرگ به صورت لبه (Edge) را فراهم کند.

✍ عادل برکم
#embeddedAI
#PNN
#EdgeComputing
@embedded