Quantization-Aware Neuromorphic Architecture for Skin Lesion Classification on Resource-Constrained Devices
Il documento introduce QANA, un'architettura neuromorfica consapevole della quantizzazione che consente una classificazione delle lesioni cutanee robusta e ad alta precisione su dispositivi con risorse limitate, ottimizzando la conversione da CNN a SNN e ottenendo prestazioni, latenza ed efficienza energetica superiori sul processore BrainChip Akida.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di insegnare a un robot a riconoscere il volto di un amico, ma di avere solo un piccolo orologio alimentato a batteria per pensare. Questo è il mondo dell'edge computing: eseguire programmi intelligenti direttamente su piccoli dispositivi come telefoni o dispositivi indossabili, invece di inviare i dati a un enorme server nel cloud che consuma molta energia. È come cercare di risolvere un complesso problema matematico nella propria testa mentre si cammina per una strada affollata, invece di chiamare un supercomputer per chiedere aiuto. La sfida è che i "cervelli" che usiamo di solito per questo — chiamati Reti Neurali Convoluzionali (CNN) — sono come camion pesanti e voraci di energia. Sono ottimi nel individuare schemi, come le macchie sulla pelle, ma consumano troppa batteria e impiegano troppo tempo per funzionare su un piccolo orologio.
Per risolvere questo problema, gli scienziati stanno esplorando il calcolo neuromorfico, che utilizza un tipo diverso di cervello chiamato Rete Neurale a Spicchi (SNN). Pensa a una CNN standard come a un riflettore che brilla costantemente, controllando ogni pixel tutto il tempo. Una SNN, invece, è come una luce con sensore di movimento: "scatta" o invia una piccola scintilla elettrica (uno "spike") solo quando succede qualcosa di interessante. Questo la rende incredibilmente veloce ed efficiente dal punto di vista energetico, perfetta per un dispositivo che deve durare tutto il giorno con una singola carica. Ma c'è un intoppo: questi cervelli a impulsi sono molto esigenti. Se provi a costringere un cervello a "riflettore" standard a lavorare come un cervello a "sensore di movimento", spesso si confonde, perde la memoria o inizia a commettere errori, specialmente quando i dati sono disordinati o sbilanciati.
È qui che inizia la storia di QANA. I ricercatori, guidati da Haitian Wang e dai suoi colleghi, volevano costruire un classificatore di lesioni cutanee che potesse girare su un chip neuromorfico piccolo ed efficiente dal punto di vista energetico (nello specifico, il BrainChip Akida) senza perdere la capacità di distinguere tra un neo innocuo e un melanoma pericoloso. Si sono resi conto che prendere semplicemente un modello standard di IA e convertirlo in uno a impulsi era come cercare di infilare un perno quadrato in un buco rotondo: spesso si rompeva o funzionava male.
Così, hanno progettato una nuova architettura chiamata QANA (Quantization-Aware Neuromorphic Architecture) che funge da ponte tra questi due mondi. Invece di prendere semplicemente un modello standard e sperare che si converta bene, hanno costruito un backbone CNN consapevole della quantizzazione progettato specificamente per sopravvivere al processo di traduzione. Hanno usato un trucco astuto chiamato moduli Ghost, che sono come un grande chef che prepara un pasto enorme e delizioso usando pochissimi ingredienti, estendendoli in modo creativo. Questo ha permesso al sistema di generare caratteristiche ricche senza la necessità di una massiccia potenza di calcolo. Hanno anche aggiunto speciali meccanismi di "attenzione" che agiscono come un riflettore, aiutando l'IA a concentrarsi sulle parti più importanti di un immagine cutanea ignorando il rumore di fondo.
Fondamentalmente, hanno risolto il problema del "fallimento della conversione". Di solito, quando si converte un'IA standard in una a impulsi, i numeri diventano disordinati e l'accuratezza cala. QANA utilizza una tecnica chiamata addestramento consapevole della quantizzazione, che è come praticare una canzone con un metronomo che clicca solo su determinati battiti. Addestrando il modello a prevedere questi "clic" specifici e limitati (numeri a basso bit) fin dall'inizio, il modello impara a rimanere stabile anche quando viene successivamente convertito in un formato a impulsi. Hanno anche utilizzato un metodo chiamato SMOTE nello "spazio di embedding" digitale (una rappresentazione matematica dell'immagine) per aiutare l'IA a imparare meglio riguardo ai tipi rari di lesioni cutanee, assicurando che non ignori i casi meno comuni ma pericolosi.
I risultati sono stati impressionanti. Quando testata su un grande dataset pubblico di immagini cutanee chiamato HAM10000, QANA ha raggiunto un tasso di accuratezza del 91,6%, significativamente migliore di altri modelli convertiti. Ancora più eccitante, quando l'hanno eseguita sull'effettivo hardware neuromorfico (il BrainChip Akida), il sistema è stato incredibilmente veloce ed efficiente. Ha elaborato una singola immagine in soli 1,5 millisecondi e ha utilizzato solo 1,7 millijoule di energia. Per dare un termine di paragone, era circa il 21% più veloce e il 23% più efficiente dal punto di vista energetico rispetto ai migliori modelli concorrenti di dimensioni simili. L'hanno testata anche su un dataset clinico reale di un ospedale in Cina, dove ha mantenuto un'alta accuratezza del 90,8%, dimostrando di poter gestire dati medici reali senza dover inviare le informazioni dei pazienti al cloud.
In breve, l'articolo dimostra che progettando l'IA affinché parli la lingua nativa dell'hardware a impulsi durante il suo addestramento e la sua conversione, piuttosto che cercare di tradurla in seguito, possiamo creare strumenti di diagnosi medica che non sono solo intelligenti, ma anche veloci, privati e adatti al risparmio energetico, abbastanza da stare comodamente in tasca.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.