Компания DeepGate представила инновационную систему автоматизированного проектирования моделей для Edge AI, оптимизированную специально для работы на микроконтроллерах (MCU). Технология объединяет нейроархитектурный поиск (NAS) с использованием LLM-агентов и Supernet NAS, обеспечивая беспрецедентную эффективность на устройствах с крайне ограниченными ресурсами.
Что произошло
Разработанный DeepGate пайплайн автоматизирует цикл проектирования, обучения и тестирования моделей непосредственно на целевом оборудовании (hardware-in-the-loop). В ходе испытаний на задачах распознавания ключевых слов (Keyword Spotting) с использованием чипа Analog Devices MAX32655 система продемонстрировала ускорение инференса в 45 раз (с 104.3 мс до 2.3 мс) и сокращение потребления оперативной памяти в 11 раз (с 23.7 КБ до 2.1 КБ), при этом точность распознавания осталась на уровне выше 90%.
Контекст
Традиционные методы оптимизации ML-моделей часто опираются на теоретические симуляции, что создает разрыв между архитектурой нейросети и её реальной работой на дешевом железе. DeepGate решает эту проблему, внедряя проприетарный компилятор и автоматизированный поиск подсетей (Supernet NAS), что позволяет находить наиболее эффективные конфигурации под конкретные физические ограничения микроконтроллеров.
Почему это важно для индустрии
Переход от теоретической оптимизации к автоматизированному циклу «дизайн — обучение — замер на железе» позволяет компаниям массово переносить сложные ML-модели на сверхдешевые и энергоэффективные устройства. Это значительно снижает порог входа для разработки Edge AI и расширяет потенциальный рынок внедрения ИИ до миллиардов микроконтроллеров в промышленном и потребительском секторах.
Почему это важно для пользователей
Для конечных потребителей это означает появление продвинутых интеллектуальных функций в самых простых и бюджетных гаджетах. Голосовое управление, детекция аномалий и локальная аналитика станут стандартом даже для недорогих датчиков и носимых устройств, при этом все вычисления будут происходить локально, без необходимости обращения к облачным сервисам.
Источники
Автор
Look at AI, редакция