Reducing AI complexity using ear bio-inspired primitives
Réduire la complexité de l'IA à l'aide de primitives bio-inspirées de l'oreille
Résumé
The complexity of artificial intelligence (AI) raises significant challenges in developing embedded detection systems, particularly in terms of power consumption. In contrast, biological auditory perception addresses these issues efficiently. Drawing inspiration from biological primitive extraction in the auditory system, this article presents a new method for drastically reducing energy required for acoustic signal processing and classification. This method could also be applied to more general problems. To assess the efficiency of the proposed algorithm, experiments were conducted using the Google Speech Command Dataset (GSCD), focusing on 4 and 8 classes with added noise. Mimicking the structure of the cochlea, system training starts with 64 analog primitives, which are pruned sequentially, retaining only the most relevant ones for classification. This pruning relies on a novel neural network layer called "Line Gain." Results demonstrate that the proposed algorithm significantly reduces total energy consumption by 82%, while maintaining comparable accuracy levels (greater than 90%).
La complexité de l’intelligence artificielle (IA) soulève des défis importants dans le développement de systèmes de détection embarqués, notamment en termes de consommation électrique. En revanche, la biologie résout ce problème efficacement. En s'inspirant des méthodes biologiques pour l'extraction des caractéristiques sonores, cet article présente une nouvelle méthode permettant de réduire considérablement l'énergie nécessaire au traitement et à la classification des signaux acoustiques. Cette méthode pourrait également être appliquée à des problèmes plus généraux en IA. Pour évaluer l'efficacité de l'algorithme proposé, des expériences ont été menées à l'aide du Google Speech Command Dataset (GSCD), en se concentrant sur 4 et 8 classes avec du bruit ajouté. Imitant la structure de la cochlée, la formation du système commence avec 64 primitives analogiques, qui sont élaguées séquentiellement, ne conservant que les plus pertinentes pour la classification. Cet élagage repose sur une nouvelle couche de réseau neuronal appelée « Line Gain ». Les résultats démontrent que l'algorithme proposé réduit considérablement la consommation totale d'énergie de 82 %, tout en conservant des niveaux de précision comparables (supérieurs à 90 %).
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |