Ad oggi la maggior parte dei dispositivi elettronici usati in applicazioni critiche per la sicurezza eseguono applicazioni che sfruttano l'intelligenza artificiale (AI) e in particolare le reti convoluzionali (CNN). Tuttavia, le versioni più recenti delle CNN possono richiedere da MB a GB di memoria per i parametri necessari. Per affrontare tali problemi, molti ricercatori hanno fornito tecniche di potatura della rete per rimuovere neuroni ridondanti o pesi da modelli neurali sovraparametrizzati.

Questa invenzione si basa sulla legge della capacità di Shannon-Hartley (SHC) che in teoria dell'informazione definisce la velocità massima di trasmissione dell'informazione su un canale di comunicazione. Ispirandosi a questo, l'invenzione propone una formula per misurare la capacità di una sinapsi in una CNN, così da migliorare i calcoli edge e eseguire una strategia di potatura dei pesi più intelligente. L'invenzione mostra che rimuovere pesi la cui grandezza è prossima allo zero può essere pericoloso dal punto di vista dell'affidabilità e anche che la rimozione di pochissimi pesi critici può ridurne drasticamente la precisione. Come mostrado dai risultati sperimentali, la rimozione di un singolo peso avente il valore SHC più alto in una CNN ResNet-20 può produrre un calo di precisione di c.a. 26%, e la rimozione di soli cinque pesi analoghi può ridurre la CNN a un classificatore casuale.

• Elaborazione delle immagini ottimizzate per l'edge computing
• Spiegabilità, interpretabilità, affidabilità dei modelli di deep learning
• Potatura e approssimazione delle reti neurali per ridurre l'impronta di memoria e i costi energetici delle applicazioni di rete neurale profonda
• Dispositivi IoT basati su IA

• L'invenzione permette di selezionare pesi sinaptici critici per la rete neurale convoluzionale (CNN). Proteggere una piccolissima percentuale di pesi seguendo i criteri proposti, permette di aumentare:
• Affidabilità
• Disponibilità
• Sicurezza
• Energia e consumo energetico dei dispositivi edge