מודלים של למידת מכונות לתוך מערכות Embedded: עיצוב ו Calculation

שילוב מודלים למידת מכונה במערכות משובצות מייצג את אחד ההתפתחויות הטרנספורמציות ביותר במחשוב מודרני, המאפשר יכולת קבלת החלטות אינטליגנטית בסביבות מאוישות משאבים החל מחיישנים תעשייתיים ועד מכשירים לבישים.תהליך שילוב זה דורש שיקול זהיר של מגבלות חומרה, יעילות אלגוריתמית וביצועים כדי להבטיח כי יכולות בינה מלאכותית מתוחכמת יכולות לפעול ביעילות בתוך המגבלות המחמירות של פלטפורמות משובצות.

הבנה של Machine Learning ו- TinyML

Machine Learning (TinyML) מרחיב את יכולות הבינה המלאכותית למכשירים מאומנים משאבים, המציעים פתרון מבטיח למשרה אמיתית, אינטליגנציה בעוצמה נמוכה על פני תחומים שונים של יישומים שונים. TinyML מוגדרת בדרך כלל כפריסת משימות למידת מכונה בתקנים הפועלים תחת 1 מ"ו של כוח, לעתים קרובות עם רק 32 עד 512B של זיכרון אקראי-פת (SRAM), מה שהופך אותו באופן בסיסי מתהליכים שונים של עיבוד ענן מבוסס AI.

TinyML משלב למידה מכונה, מערכות משובצות ו-IoT כדי לספק זמן אמת, עקשנות נמוכה, אינטליגנציה בעלת עדיפות לפרטיות על מכשירים קצה.התכנסות זו יצרה הזדמנויות חדשות לפרוס בינה מלאכותית בסביבות שבהן קישוריות ענן היא בלתי אמינה, דרישות שקיפות הן מחמירות, או חששות פרטיות נתונים האוסרים שידור נתונים חיצוני. עלייה קבועה במחקר הקשור ל- TinyML , עם צמיחה משמעותית ב-2021 ומשקיפה על פני 2024 טכנולוגיות מהירות.

זרימת העבודה הבסיסית עבור פריסת TinyML כוללת מספר שלבים קריטיים. TinyML פועל על ידי דגמי למידת מכונות אימון על מכונות חזקות, ולאחר מכן דחיסה ופריסת אותם כדי ליישר מכשירים עם זיכרון מוגבל וכוח עיבוד באמצעות טכניקות כגון קוונטיזציה, ריצה, והתאמה ידע.תהליך זה הופך מודלים שבדרך כלל ידרוש ג'יגה-בתים של זיכרון ו GPUs חזקים לגרסאות קומפקטיות המסוגלות לרוץ על microcontrollers עם קיפולטים בלבד עם קיפולטים של משאבים זמינים.

דרישות עיצוב קריטיות עבור מערכות למידה מכונות Embedded

בעת תכנון מערכות משובצות עם יכולות למידת מכונה, מהנדסים חייבים לנווט נוף מורכב של מגבלות ודרישות מתחרות.תהליך העיצוב דורש איזון גורמים מרובים המשפיעים ישירות על מערכת הכדאיות וביצועים.

המונחים: constraints

מכשירים עכשוויים, כולל מעבדי ARM Cortex-A ויחידות בקרה אלקטרוניות של רכב, פועלים תחת מגבלות חמורות של יכולת זיכרון, חישובית באמצעות חישוב, ותקציבי חשמל המונעים פריסה ישירה של רשתות עצביות צף סטנדרטיות.

מכשירים בדרך כלל יש פחות מ 256KB של RAM, מה שהופך אופטימיזציה מודל חיוני.מגבלה זיכרון זה משפיע לא רק על אחסון של פרמטרים מודל, אלא גם את ההפעלה ביניים שנוצר במהלך ההפרעה. מהנדסים חייבים לקחת בחשבון את טביעת הרגל המלאה של זיכרון, כולל מציצים קלט, מפות הפעלה ופלט עשרות, כל אלה חייבים להתאים בתוך ה-SRAM זמין תוך השארת מספיק מקום ליישום קוד ופעולות מערכת.

כוח עיבוד מייצג עוד פיקוח קריטי על מיקרובקרים לא יכול להתמודד עם מודלים מורכבים כמו CNN גדול או Transformers, ניכוי מודל קפדני בחירה ועיצוב אדריכלות.מהירויות השעון של מעבדים משובצים בדרך כלל נע בין עשרות למאות מגה-הרץ, הזמנות של גודל איטי יותר מאשר מעבדי שולחן העבודה או השרת.זה הגבלה ישירות בנוגע להיקף ועומס, הדורש אסטרטגיות אופטימיזציה כי להפחית את רמות דיוק מקובלות תוך שמירה על רמות דיוק.

צריכת האנרגיה מופיעה ככל הנראה ההקצאה הקריטית ביותר עבור מכשירים המופעלים על ידי סוללות אנרגיה ואנרגיה.מודלים של TinyML לרוץ על מיקרובקרים לעתים קרובות מתחת 1 מילימטר של כוח, המאפשר מכשירים לרוץ במשך חודשים או אפילו שנים על סוללות קטנות. זה דורש יעילות כוח קיצוני משפיע על כל היבט של עיצוב מערכת, ממודל בחירה לבחירה חומרה ואופטימיזציה של אסטרטגיה.

אפשרויות לפלטפורמת חומרה

בחירת הפלטפורמה המתאימה חומרה מייצגת החלטה עיצובית בסיסית המשפיעה על כל מאמצי האופטימיזציה הבאים. TensorFlow Lite עבור מיקרובקר הוא הפתרון של גוגל המיועד במיוחד עבור מיקרו-בקרים ללא תמיכה במערכת הפעלה, יצירת מודלים קטנים כמו 2KB ו מותאם למעבדי ARM Cortex-M, מה שהופך אותו אידיאלי עבור מערכות משובצות ופרויקטים של Arduino שבו יש צורך אופטימיזציה מקסימלית ובקרה.

תהליך בחירת החומרה חייב לשקול מספר גורמים הכוללים ארכיטקטורת עיבוד, זיכרון זמין, תכונות צריכת חשמל, דרישות קישוריות.יעילות כוח מתייחס כמה כוח המיקרובקר לצרוך במהלך המבצע, ועבור מכשירים מופעלים סוללות, צריכת חשמל נמוכה מרחיבה את חיי הסוללה, אשר חיוני עבור יישומים מרוחקים או ניידים. משפחות מיקרובקר שונות מציעים איזון שונה של מאפיינים אלה, הדורשות הערכה זהירה נגד דרישות ספציפיות.

כל מערכת משובצת (Arduino, STM32, ESP32) דורשת פריסה מותאמת, כלומר אסטרטגיות אופטימיזציה חייבות להיות מותאמות ליכולות ולמגבלות הספציפיות של חומרה היעד.כמה פלטפורמות כוללות מאיצים חומרה ייעודיים עבור פעילות רשת עצבית, כגון DSP מעבדים או יחידות מכפל ממטריקס מיוחדות, אשר יכול לשפר באופן דרמטי את הביצועים כאשר נעשה שימוש כראוי.

המונחים: Software Framework and Toolchain Considerations

מערכת התוכנה סביב למידת מכונה משובצת התבגרה באופן משמעותי, המציעה מסגרות מרובות וכלים לפיתוח מודלים ופריסה. PyTorch Mobile מביא מודלים PyTorch כדי ליישר מכשירים עם תמיכה מיקרו-בקר גדל, המציעה כלים טובים יותר לטבולה וסביבה מוכרת לפיתוח עבור קבוצות שכבר משתמשות ב- PyTorch, מה שהופך אותו מתאים במיוחד למפתחים עם ניסיון פטיכופף קיים.

Edge Impulse הוא פלטפורמה מבוססת אינטרנט כי מפשטת פיתוח TinyML באמצעות גישה ללא קוד, דמוקרטיזציה גישה ללמידה מכונה משובצת על ידי צמצום החסמים הטכניים לכניסה. גישה מבוססת פלטפורמה זו יכולה להאיץ מחזורי פיתוח ולהקטין את המומחיות הנדרשת עבור פריסה, אם כי זה עשוי להציע פחות גמישות מאשר מסגרות ברמה נמוכה עבור יישומים מותאמים אישית מאוד.

קידוםים ב-Accelerators ו- Edge AI מסגרות (כמו TinyMLPerf, Edge Impulse, ו- TensorFlow Lite Micro) מטפלות במהירות באתגרים של פריסה משובצת.כלים אלה מספקים קריטריונים סטנדרטיים, צינורות אופטימיזציה, ופזרי עבודה פריסה המזרים את תהליך הפיתוח תוך הבטחת תאימות בפלטפורמות חומרה מגוונות.

טכניקות אופטימיזציה מודל

אופטימיזציה מודל מייצגת את אבן הפינה של פריסת למידת מכונות משובצת מוצלחת, הכוללת מגוון של טכניקות המפחיתות את המורכבות של המודל תוך שמירה על דיוק פונקציונלי.דחיסת מודל הפכה חיונית כדי להתאים יכולות בינה מלאכותית חזקות בתוך מגבלות, עם ריצוף ו קוונטיזציה להיות האסטרטגיות המאומץ ביותר המאפשרות בזמן אמת הקצוב תוך שמירה על תקציבי אנרגיה תחת שליטה.

המונחים: Reducing Numerical Precision

Quantization מייצג את אחת הטכניקות היעילות ביותר לצמצום גודל המודל ודרישות חישוביות. Quantization להפחית את הדיוק של פרמטרים מודל על ידי ייצוג משקולות והפעלה באמצעות פורמטים מופחתים כגון 8 סיביות, 4bit, או 1 סיביות (binary), במקום פורמט סטנדרטי 32 סיביות יחיד צף נקודה.

טכניקות קוונטיזציה להפחית באופן שיטתי דיוק מספרי מ 32 סיביות צף נקודת 8 סיביות או ייצוגים בטרינר בינארי, השגת יחסי דחיסה מעל 50 × תוך שמירה על דיוק בתוך סף הפחתות מקובלות. החיסכון הזיכרון מתורגם ישירות לדרישות אחסון מופחת, העברת נתונים מהירה יותר, וצריכת חשמל נמוכה יותר במהלך פעולות הקצאות.

שתי גישות קוונטיות עיקריות קיימות, כל אחת עם יתרונות שונים ושימוש במקרים. Post-training קוונטיזציה (PTQ) מציעה את הנתיב הזמין ביותר עבור דחיסת מודל, המרת מודלים FP32 מוגבל ל- INT8 מבלי לדרוש נהלים נוספים. גישה זו מאפשרת פריסה מהירה של מודלים קיימים עם מאמץ מינימלי, אם כי זה עלול לגרום לירידה מעט גבוה יותר בהשוואה לאימון הקוונטי של תוכנת מדידה.

הכשרה של Quantization-aware (QAT) מייצגת גישה מתוחכמת יותר המשלבת אפקטים קוונטיים במהלך תהליך האימון עצמו. 8 סיביות אימון רשתות עצביות יכול להתאים את הדיוק של דיוק מלא של חישוב, תוך מתן האצה חישובית משמעותית, עם ResNet-50 על ImageNet להשגת דיוק העליון של 76.6%, התאמה ל-76.8% בסיס FP32 ביצועים תוך צמצום דרישות הזיכרון על ידי 75% זה משתמש מסלולים סטנדרטיים של אנליזה כדי הפעלתית.

INT8 קוונטית החל על ResNet-50 משיגה רק 0.7% אובדן דיוק על סיווג ImageNet, ירידה מ-76.1% העליון 1 דיוק ב FP32 ל-75.4% ב- INT8, תוך צמצום גודל המודל מ- 102MB ל- 25.5MB, המייצג יחס דחיסה 4x. תוצאות אלה מוכיחות כי יישום קוונטי זהה יכול להשיג הפחתה דרמטית של משאבים עם השפעה מינימלית על ביצועי המודל.

קוונטיזציה מעורבת של קוונטיזציה מקצה נקודות שונות לשכבות בהתאם הרגישות שלהם, עם שכבות ייצור קריטיות שישו 16 סיביות בעוד שכבות מחוברות לחלוטין הם הקוונטים 8 סיביות, איזון יעילות וביצועים. גישה סלקטיבית זו מזהה כי שכבות רשת שונות מציגות רגישות שונה לכמת, ומאפשרות למהנדסים להתאים את המסחר יעילות דיוק על בסיס של שכבה.

« « « פיזור אדום: חיסול פרדוקסים

טכניקות אימוניות מסירות באופן שיטתי פרמטרים מיותרים או קשרים מרשתות עצביות, צמצום המורכבות של המודל מבלי להשפיע באופן משמעותי על דיוק. pruning מסיר פרמטרים או נוירונים שאינם תורמים באופן משמעותי לדיוק, אשר עלול להתעורר כאשר מזהמים במשקל הם אפס, קרוב לאפס, או משוכפל, וכתוצאה מכך להפחית מורכבות חישובית.

אסטרטגיות מרובות יזום קיימות, כל אחת מציעה פערים שונים בין מורכבות יישום לבין הטבות ביצועים. unstructured pruning מסיר משקולות בודדות בהתבסס על גודל או קריטריונים חשובים, השגת יחסי דחיסה גבוהים אבל פוטנציאל לסבך את יישום החומרה בשל דפוסים לא סדירים של ספויציה.מבנים מבנית מסירים את הערוצים, מסננים או שכבות שלמות, ייצור מודלים כי ממפה ביעילות רבה יותר סטנדרטיים לאדריכלות תוך בדרך כלל השגת יחסי חומרה נמוכים יותר מאשר גישות דחיסות שאינן ממערכות דחיסות שאינן ממערכות דחיסות.

רשת עצבית מהפכתית יכולה לפעול בצורה חלקה על SoC מוטבע, צריכת פחות אנרגיה ולספק תוצאות מהירות יותר, עם התאמה דינמית בריצה, לדלג על חישובים המבוססים על נתוני קלט. גישה הסתגלות זו מאפשרת לרווחים להגיב למאפיינים בפועל עומס עבודה ולא להניח תרחישים הגרועים ביותר עבור כל קלטות.

תוצאות פריסה בעולם האמיתי מראות את היתרונות המעשיים של טכניקות ריצה.מכשיר ניטור רטט תעשייתי באמצעות ריצה מובנה השיג 40% מהר יותר ההיקף עם רק 2% אובדן דיוק, המאפשר זיהוי על-ידי שכפול ללא תלות בענן באופן דומה, ברחפנים אוטונומיים, דינמי יזום סייע להאריך את חיי הסוללה על ידי לדלג על הראייה בתנאים ברורים, מה שמסביר כיצד יזום יכול להתאים להקשרים תפעוליים שונים.

אם רשתות מבוזרות מחוסנות היא מספקת את האפשרות של בריחה ממינימה מקומית קודמת ולשפר דיוק, מה שמרמז כי ריצה יכולה לפעמים לשפר את ביצועי המודל מעבר להפחתה פשוטה של פרמטרים. תוצאה מנוגדת זו מתרחשת כי ריצה יכולה לפעול כצורה של סדירזציה, למנוע התאמה ועידוד הרשת כדי ללמוד ייצוגים חזקים יותר.

ידע דיקיציה: העברת יכולת לקומפקטי מודלים

דיקיציה ידע מייצגת גישה אופטימיזציה משלימה שמעבירה את היכולות של מודלים גדולים, מורכבים לאדריכלות קטנה ויעילה יותר.טכניקה זו מפעילה מודל קומפקטי "מעודכן" כדי לחקות את ההתנהגות של מודל "מורה" גדול יותר, לעתים קרובות להשיג ביצועים טובים יותר מאשר אימון המודל הקטן ישירות על תחילת הנתונים המקוריים.

תהליך ההסתה כרוך בדרך כלל באימון מודל הסטודנטים באמצעות שילוב של תוויות ההכשרה המקוריות ואת התפלגות ההסתברות הרכה המיוצרת על ידי מודל המורה. מטרות רכות אלה מכילות מידע עשיר יותר על מערכות יחסים וגבולות של מעמד מאשר תוויות קשות לבד, המאפשר לדגם הסטודנטים ללמוד ביעילות רבה יותר מהידע של המורה.

דיקיציה ידע מוכיחה במיוחד כאשר פריסת מודלים לסביבות מאומצות משאבים חמורים, שבו אפילו גרסאות אופטימיזציה של האדריכלות המקורית עולה על משאבים זמינים. על ידי תכנון ארכיטקטורות סטודנט במיוחד עבור פלטפורמת חומרה המטרה, מהנדסים יכולים להשיג ביצועים אופטימליים בתוך המגבלות שניתנו תוך כדי מינוף הדיוק העליון של מודלים גדולים יותר במהלך שלב האימונים.

אסטרטגיות אופטימיזציה היברידית

בעוד שריצה ו קוונטיזציה הם חזקים באופן אישי, שילובם מספק יעילות גבוהה יותר, עם המגמה ב-2025 המציג צינורות היברידיים: הראשון לרוץ כדי לכווץ את גודל המודל, ולאחר מכן לכמת כדי לייעל את היעילות של זמן ריצה. גישה זו מספקת את החוזק המשלים של טכניקות אופטימיזציה שונות כדי להשיג יחסי דחיסה ורווחים כי מעבר למה שיכול להשיג לבד.

טכניקות אימוניות וזיהוי קוונטיות שימשו באופן נרחב כדי להפחית את המורכבות של מודלים עמוקים, כאשר שתי הטכניקות משמשות במשותף למימוש יחסי דחיסה גבוהים יותר באופן משמעותי.השילוב מתייחס להיבטים שונים של יעילות המודל: ריצה מפחיתה את מספר הפעולות הדרושות, בעוד ש-Vinchation מפחיתה את העלות החישובית ואת טביעת הרגל הזיכרון של כל פעולה.

שיטת ה- Single-Shot Pruning ו- Quantization יכולה לכמת ולעצב את המודל בתהליך אימון אחד, המאפשרת שיקול מוצלח של טעות קוונטית ופענוח שגיאות במהלך אימון רשת למידה עמוקה ומשקלות תחת פגמים אלה. גישה מאוחדת זו מתייחסת לאתגר של אינטראקציה אופטימיזציה, שבו יישום טכניקות באופן זמני עשוי לייצר תוצאות תת-אופטימיות בהשוואה אופטימיזציה משותפת.

מבחינת זמן האימון, הגישה של צילום יחיד השיגה ירידה של 20% עד 25% בזמן האימון בהשוואה ליישום זמני של יזום והגדרה.רווח יעילות זו, בשילוב עם מודל שהוא 69.4% קטן יותר עם אובדן דיוק קטן והוא רץ 6-8 פעמים מהר יותר על חומרת NVIDIA NX, מדגים את היתרונות המעשיים של אסטרטגיות אופטימיזציה משולבות.

שיטות מדידה ומצעים

מדידה חישוב של מדדי ביצועים מייצגים היבט קריטי של עיצוב מערכת למידה ממוחשבת מוטבע, המאפשר למהנדסים להעריך את ההתאמות, לאמת יעילות אופטימיזציה, ולהבטיח כי מערכות פרוסות עומדות בדרישות יישום. מסגרת ציון עבור הערכת מערכות זעירDL משלבת מדדים כגון אי-דיוק, שימוש בזיכרון, גודל מודל ויעילות אנרגיה.

המונחים: Latency Measurement

הפחתת השקיפות מודדת את הזמן הנדרש כדי לעבד קלט אחד באמצעות המודל לייצר פלט.מדד זה משפיע ישירות על חוויית המשתמש ביישומים אינטראקטיביים וקובע אם המערכת יכולה לעמוד בדרישות עיבוד בזמן אמת. מדידות לנטייה חייבות לקחת בחשבון את כל השלבים לעיבוד, כולל עיבוד מוקדם, מודל הקצוץ, ועיבוד התפוקה.

מדידה חד פעמית מחייבת שיקול זהיר של מתודולוגיית מדידה. מדידות חד-פעמיות יכולות להיות מטעות בגלל אפקטים של כאב, קשקשים בתדר דינמי וריאציות ברמה מערכתית אחרת.הפרקטיקות הטובות ביותר כוללות התחממות המערכת עם מספר נקודות לפני מדידה, איסוף נתונים על פני מספר רב של הידבקות, ודיווח הן ערכים ממוצעים והן ברמה הגרועה ביותר כדי ללכוד את יכולת הביצוע.

TinyML מבצע את ההיקף המקומי, כך שאין צורך לשלוח נתונים לשרתים מרוחקים, כלומר תגובות מיידיות קריטיות ליישומים כמו זיהוי מחווה או זיהוי אנומלי במכונות. עיבוד מקומי זה מבטל עיכובים שידור רשת, המאפשר ביצועים לבה כי יהיה בלתי אפשרי עם גישות חיזוי מבוססות ענן.

ניתוח טביעת רגל

טביעת הרגל הזיכרון כוללת את הזיכרון הסטטי הנדרש לאחסון פרמטרים מודל ואת הזיכרון הדינמי הדרוש להפעלת ביניים במהלך ההפרעה. במערכות משובצות עם זיכרון RAM מוגבל, השימוש בזיכרון השיא לעתים קרובות מייצג את ההקצאה המחייבת הקובעת אם ניתן לפרוס מודל על פלטפורמה נתונה.

דרישות זיכרון סטטי כוללות משקולות מודל, הטיה, וכל טבלאות או קבועים הנדרשים להקצאת. Quantization ישירות להפחית את הדרישות הללו על ידי ייצוג פרמטרים עם פחות סיביות. דרישות זיכרון דינמי תלויות בארכיטקטורה הרשת, ממדים קלט, ואסטרטגיה יישום, עם טכניקות כגון פעולות במקום הפעלה מחדש שימוש עוזר למזער את צריכת הזיכרון.

כלי סינון זיכרון מאפשרים למהנדסים לזהות צווארי זיכרון ואסטרטגיות הקצאה אופטימיזציה.ניתוח שכבתי-על-ידי-שכבות מגלה כי פעולות צורכות את הזיכרון ביותר, להנחות שינויים ארכיטקטורת או מאמצי אופטימיזציה.הבנת מחזור חיי הזיכרון המלא, מטעינה מודל באמצעות ביצוע, מבטיח כי מערכות פרוסות פועלות באופן אמין בתוך משאבים זמינים.

אנרגיה צריכה Calculation

צריכת אנרגיה מייצגת אולי את המדד הקריטי ביותר עבור מערכות משובצות המופעלות על ידי סוללות, באופן ישיר לקבוע את חיי הפעילות ואת הכדאיות הפריסה. מדידות אנרגיה חייבות ללכוד את כוח המערכת השלם משך ההיקף, כולל הליבה של המעבד, נגישות זיכרון ופעולות היקפיות.

מדידה אנרגיה יעילה דורשת ציוד מיוחד כגון מנתחי חשמל או משחתות מדידה נוכחיות שיכולים ללכוד צריכת חשמל דינמי ברזולוציה עתירה גבוהה.מודלים מבוססי כוח תוכנה מספקים ערכים משוערים אבל עלולים להחמיץ תורמים חשובים לצריכת אנרגיה כוללת, במיוחד במערכות מורכבות עם מספר תחומים של כוח.

מערכת מצלמות תנועה חכמה החלת אימון קוהיזציה-מודע עם INT8 הפחיתה את צריכת האנרגיה שלוש פעמים ללא ירידה דיוק זיהוי, המאפשרת הפעלה רציפה על כוח סולארי במקומות שבהם תשתיות חוטוות לא היו זמינות.דוגמה זו ממחישה כיצד טכניקות אופטימיזציה ישירות מאפשרות תרחישי פריסה חדשים על ידי צמצום דרישות האנרגיה לרמות המתאימות למקורות אנרגיה חלופיים.

חישובי יעילות אנרגיה בדרך כלל לנרמל צריכת חשמל באמצעות חישוב או מדדי דיוק, המאפשר השוואות ירידות על פני מודלים שונים ופלטפורמות חומרה. Energy-per-inference ו- Energy-delay המוצר מייצגות מדדים מורכבים נפוצים שלוכדים את הסחר בין ביצועים וצריכת חשמל.

הערכה של מודל

דיוק המודל נשאר המדד הבסיסי הקובע אם מודל מותאם מספק ביצועים מספיקים ליישום המיועד שלו.טכניקות אופטימיזציה באופן בלתי נמנע מציגות ירידה מדויקת, הדורשות הערכה זהירה כדי להבטיח כי מודלים דחוסים עומדים בדרישות היישום.

הערכה של Accuracy חייבת להשתמש בנתונים של בדיקות ייצוגיות המשקפות את ההפצה של קלטות המערכת הפרוסתת תפגוש.שינוי דומיין בין סביבות הכשרה ופריסה יכול להשפיע באופן משמעותי על הביצועים בעולם האמיתי, מה שהופך את אימות הנתונים הייצוגיים של פריסה חיוני. עבור יישומים קריטיים בטיחות, ניתוח ביצועים הגרועים ביותר ובדיקת ביצועים חזקים הופכת חשובה במיוחד.

דחיסה ברשת לעתים קרובות ניתן להבין עם אובדן קטן של דיוק, ובמקרים מסוימים דיוק עשוי אפילו לשפר. תוצאה נוגדת ערך זו מתרחשת כאשר דחיסה פועלת כצורה של סדיריזציה, מניעת התאמה יתר ומעודדת את המודל ללמוד ייצוגים יותר כלליים.עם זאת, שיפורים כאלה לא ניתן להבטיח ותלויים במודל הספציפי, נתונים וגישה אופטימיזציה מועסקת.

יישומים אמיתיים ושימוש במקרים

למידה מכונה Embedded אפשרה יישומים טרנספורמטיביים על פני תחומים מגוונים, להביא יכולות חכמות לסביבות שבהן גישות המבוססות על ענן מסורתיות מוכיחות לא מעשיות או בלתי אפשריות.

יישומים תעשייתיים וייצור

חיישנים המחוברים למכונות יכולים לזהות את האנומליות (כמו רטט או שינויים קוליים) בזמן אמת, למנוע התמוטטות יקרה באמצעות מערכות תחזוקה צפויות. יישומים אלה דורשים ניטור רציף עם צריכת חשמל מינימלית, מה שהופך את למידת מכונה מוטבה אידיאלי עבור פריסה על סוללות מופעלות או אנרגיה-הארוויטינג חיישן נודזק בכל מתקני הייצור.

בקרת איכות מייצגת יישום ייצור חשוב נוסף, שבו מערכות ראייה בודקות מוצרים עבור פגמים בקו הייצור מהירויות. פריסה Embedded מאפשרת מערכות בדיקה מבוזרות בקנה מידה כלכלי על פני קווי ייצור מרובים תוך שמירה על שקיפות נמוכה ועומס גבוה.היכולת לעבד נתונים מקומית מתייחסת גם לחששות קניין רוחני על ידי שמירה על עיצובי מוצר קנייניים בתוך המתקן.

שירותי בריאות ומכשירים לבישים

TinyML מאפשר ל-ECG, קצב הלב, ו ניטור דפוס השינה ללא העברת נתונים לענן המבטיחים הן פרטיות ויעילות בישולי בריאות.אפשרות עיבוד מקומית זו מתייחסת לדאגות פרטיות קריטיות תוך מתן ניטור רציף שיהיה בלתי מעשי עם גישות תלויות בענן עקב צריכת חשמל ודרישות קישוריות.

יישומי מכשיר רפואי דורשים אמינות גבוהה דיוק, לעתים קרובות הדורש אימות כנגד סטנדרטים קליניים ואישור רגולטורי.ההתנהגות ה ⁇ של הקצוץ, בשילוב עם היכולת לפעול באופן עצמאי של קישוריות לרשת, הופכת את TinyML מתאימה במיוחד ליישומים רפואיים שבהם בטיחות המטופל תלויה בביצוע עקבי, אמין.

פיקוח סביבתי וחקלאות חכמה

AI מבוסס צוק יכול לפקח על לחות הקרקע, בריאות היבול או פעילות בעלי חיים באמצעות מיקרובקר, צמצום התלות ברשת האינטרנט ביישומים חקלאיים חכמים.מערכות אלה פועלות לעתים קרובות במקומות מרוחקים שבהם כיסוי סלולרי אינו אמין תשתיות כוח הוא בלתי זמין, מה שהופך את הכוח הנמוך, פעולה אוטונומית של למידה ממוחשבת מוטבעת חיוני.

חיישנים בעלי כוח נמוך יכולים לזהות רמות איכות אוויר, לזהות שריפות יער, או לפקח על תנועת חיות בר באופן אוטונומי ביישומים ניטור סביבתי.היכולת לפרוס רשתות גדולות של חיישנים אינטליגנטים מאפשרת ניטור סביבתי מקיף בקנה מידה יהיה כלכלי וגלוטי מבחינה לוגיסטית עם גישות מסורתיות.

ערים חכמות ותשתיות עירוניות

יישומים זעירים של יישומים זעירים משתרעים על ניידות עירונית, ניטור סביבתי, בטיחות הציבור, ניהול פסולת ובריאות תשתיות בפריסה עירונית חכמה.יישומים מגוונים אלה חולקים דרישות משותפות עבור אינטליגנציה מבוזרת, צריכת חשמל נמוכה, ופעולה אוטונומית שהופכת את המכונה משובצת למידה טכנולוגית המאפשרת.

חללים תעשייתיים ואזורים ציבוריים תלויים במעקב בזמן אמת למען בטיחות וביטחון, עם מקומות כמו תחנות תחבורה, אתרי ייצור, ומתקני חוצות גדולים זקוקים למערכות חזון AI שיכולות לזהות אנשים או כלי רכב במהירות ומדויקת, לעתים קרובות לפעול עם מגבלות קישוריות מוגבלות וחומרה.

נושאים מתקדמים ב- Embedded Machine Learning

חומרה-Software Co-design

אסטרטגיות עיצוב חומרה-תוכנות מחשבי תוכנה מאפשרות הפעלה בת קיימא על ידי אופטימיזציה של ערימה המערכת המלאה ולא טיפול בחומרה ותוכנה כדאגות עצמאיות. גישה משולבת זו רואה כיצד אפשרויות אלגוריתמיות משפיעות על ניצול חומרה וכיצד יכולות חומרה ניתן למנף כדי לשפר את היעילות האלגוריתמית.

מינוף של מאיצים מיוחדים MCU, כגון DSP מעבדים או מנועים של ביצוע אנרגיה מודע, מציג דרך מבטיחה להפחית עוד יותר את ההיקף צריכת האנרגיה שלהם. מאיצים חומרה אלה מספקים שיפורים של זיהוי אנרגיה יעילות עבור פעולות ספציפיות, אבל דורש תכנון זהיר כדי לנצל את היכולות שלהם באופן מלא.

חיפוש אדריכלות נילי (NAS) מייצג גישה מתקדמת בעיצוב משותף אשר מגלה באופן אוטומטי ארכיטקטורות מודל אופטימיזציה עבור פלטפורמות חומרה ספציפיות.-of-the-art שיטות בהתכום, ריצה, וחיפוש אדריכלות עצבית (NAS) לבחון מגמות חומרה מ MCUs כדי ל מאיצים עצביים ייעודיים, המאפשר אופטימיזציה אוטומטית כי יהיה לא מעשי באמצעות עיצוב ידני.

למידה מתוכננת והדרכה על-ידי

הסינרגיה בין פדרנד למידה (FL) ו- Tiny Machine Learning (TinyML) מייצגת גישה טרנספורמטיבית המציעה פרדיגמה שהיא יעילה והן ממוקדת פרטיות, עם אימון מודל מבוזר של FL המאפשרת הדבקה של תובנות ממכשירים רבים מבלי להעביר כמויות עצומות של נתונים גולמיים לשרתים מרכזיים, תוך התאמה מושלמת עם אלגוריתמים קלים של AI לתוך קטן, יעיל כוח.

שילוב זה מאפשר שיפור מודל מתמשך באמצעות למידה מבוזרת תוך שמירה על היתרונות הפרטיות והיעילות של הפריסה קצה. Embedded למידה מוזן על לוחות מיקרובקר באמצעות תקשורת על רשת LoRa mesh משלב TTGO LORA לוח עבור FL רשת FL עם Arduino Portenta H7 עבור פעילויות למידה מכונה, הוכחת יכולת מערכת מבוזרת, retrainable יישומים פועל בקצה הקטן.

אימון על-ידי ה-device משתרע מעבר ללמידה מוזן כדי לאפשר הסתגלות למודל שלם ללא כל תקשורת חיצונית.יכולות אלה מוכיחות ערך עבור יישומים המחייבים התאמה אישית למשתמשים בודדים או הסתגלות לשינוי תנאי סביבה.עם זאת, דרישות חישוביות וזיכרון של הכשרה בדרך כלל עולה על אלה של ההפרעה, ומציגות אתגרים אופטימיזציה נוספים עבור פלטפורמות ניהול משאבים.

שיקולים ביטחוניים ופרטיות

נתונים רגישים לעולם לא משאירים את המכשיר, כפי שניתן ללבוש רפואי יכול לנתח נתונים ביומטריים מבלי להעלות אותו לשרתים חיצוניים, מתן הגנה לפרטיות טבועה באמצעות עיבוד מקומי.אדריכלות זו מבטלת כל המעמדות של פרצות פרטיות הקשורות לתמסורת נתונים ואחסון בענן, אם כי היא מציגה שיקולים חדשים אבטחה סביב tampering ומיצוי מודל.

TinyML מציעה גישה כמעט אפסית לשירותי ML על ידי צמצום התלות בתקשורת חיצונית, המהווה יתרון מכריע במערכות קריטיות בטיחות, תוך התייחסות גם לדאגות הפרטיות והאבטחה של נתונים, שכן הקצוץ מתבצע בתוך המכשיר ולא משרתי ענן.אפשרות עיבוד מקומית זו מוכיחה חיונית ליישומים טיפול במידע אישי רגיש או תפעול בהקשרים קריטיים של אבטחה.

אבטחת מודל מייצגת דאגה מתפתחת כמו מערכות למידת מכונה משובצות הופכת להיות נפוצה יותר.התקפות עו"ד, הפקת מודלים, והכנסה אחורית מייצגת איומים פוטנציאליים שיש לטפל בהם באמצעות תהליכי מנעול מאובטחים, אחסון מודלים מוצפנים, ואימות לעצם זמן ריצה.

יישום הפרקטיקה וההנחיות הטובים ביותר

פיתוח זרימת עבודה ובחירת Toolchain

הקמת זרימת עבודה יעילה לפיתוח מייצגת גורם הצלחה קריטי לפרויקטים ממוחשבים משובצים.זרימת העבודה צריכה לתמוך בהתדרות מהירה בין פיתוח מודל, אופטימיזציה ואימות חומרה תוך שמירה על יעילות ושליטה בגירסה לאורך תהליך הפיתוח.

בחירת Toolchain צריכה לשקול את פלטפורמת חומרה היעד, מומחיות צוות, דרישות פרויקטים. מסגרות פריסת תוכנה, מדרבנים וכלי AutoML מאפשרים מעשית על למידה חד פעמית, מתן רמות שונות של מופשטות ואוטומציה. כלים ברמה גבוהה יותר להאיץ את הפיתוח אבל עשוי להקריב הזדמנויות אופטימיזציה, בעוד גישות ברמה נמוכה יותר מציעים שליטה מקסימלית על העלות של מורכבות מוגברת.

שילוב מתמשך ושיטות בדיקה להוכיח ערך במיוחד עבור פרויקטים ממוחשבים משובצים, שבו שינויים אדריכלות מודל, אופטימיזציה פרמטרים או תצורה פריסה יכולים להיות השפעות עדינות על דיוק וביצועים. בדיקות אוטומטיות על פני פלטפורמות חומרה ייצוגיות מבטיח כי אופטימיזציה לשמור על דיוק מקובל תוך השגת מדדי ביצועים מטרה.

אופטימיזציה אסטרטגיה בחירה

הפעלת כתובות בעיקר ייצוג מודל, אך גם משפיעה על יעילות ארכיטקטונית על ידי צמצום פעולות הקצוץ, בעוד ש-Finantization מתמקד דיוק מספרי, אך משפיע על טביעת רגל הזיכרון ויעילות ביצוע.

אסטרטגיית האופטימיזציה צריכה להיות מונעת על ידי אילוצים המחייבים של פלטפורמת היעד.מערכת המוגבלת של זיכרון ליהנות בעיקר מ קוונטיזציה אגרסיבית וריצה כדי להפחית את גודל המודל, בעוד מערכות מחוסנות compute-consated יכולות לתעדף טכניקות אשר להפחית מורכבות חישובית גם אם טביעת הרגל הזיכרון נשאר גדול יחסית. מערכות מאומצמות כוח דורש אופטימיזציה הוליסטית אשר רואה את העלות של כל הפעולות.

היתרונות כוללים עד 75% ירידה בגודל המודל, ההיקף המהיר יותר וצריכת החשמל הנמוכה, תלות בענן מופחתת, ושיפור הסקאלות על פני מיליארדי צמתים של IoT.עם זאת, אתגרים כוללים אובדן דיוק אם דחיסה אגרסיבית מדי, מפורצת ואימות מורכבות, ופגיעות פוטנציאליות במודלים דחוסים, הדורשות הערכה זהירה של עסקאות.

אימות ואסטרטגיות בדיקה

אימות מקיף מבטיח כי מודלים אופטימיזציה לענות דיוק, ביצועים, דרישות אמינות לפני פריסה.בדיקה צריך לכלול תיקון פונקציונלי, ביצועים הערכה הערכה לאורך טווח הצפוי של תנאי הפעלה.

אימות Accuracy חייב להשתמש בנתונים של מבחן ייצוגיים המשקפים את תנאי הפריסה, כולל מקרים קצה ותרחישים מאתגרים שעלולים לחשוף את ההידרדרות המושרה אופטימיזציה. בדיקות ביצועים צריך למדוד את כל המדדים הרלוונטיים כולל latency, באמצעות לוח, שימוש בזיכרון וצריכת אנרגיה תחת עומסי עבודה מציאותיים. Robustness בוחן התנהגות מודל תחת הפרעות קלט, וריאציות סביבתיות.

בדיקות חומרה-ב-the-loop מספק את האימות המדויק ביותר על ידי ביצוע מודלים על חומרה בפועל מטרה בתנאים ריאליים. גישה זו לוכדת התנהגויות ספציפיות פלטפורמה, אופטימיזציה של חומרים, ומאפיינים חומרה אשר עשויים לא להיות מיוצגים במדויק בסביבות סימולציה או חיקוי. מוקדם ותדירות גבוהה אימות חומרה עוזר לזהות בעיות לפני שהם הופכים יקרים לטיפול.

כיוונים עתידיים ומגמות מתפתחות

מחשוב נוירומורפילטי ורכיב מבוסס אירועים

מחשוב נוירומורפילי מייצג גישה שונה מהותית ללמידה ממוחשבת מוטבעת, תוך שימוש בעיבוד מונע אירועים ורשתות עצביות שמושכות יותר מערכות עצביות ביולוגיות.אדריכלות אלה מציעות יתרונות פוטנציאליים ביעילות כוח ויכולות עיבוד זמניות, אם כי הם דורשים מודלים תכנותיים שונים וטכניקות אופטימיזציה בהשוואה לרשתות עצביות קונבנציונליות.

חיישנים מבוססי אירועים ומעבדים לחסל את הדגימה המתמשכת ועיבוד של מערכות מסורתיות, לפעול רק כאשר שינויים משמעותיים מתרחשים בקלט.פעולה סינכרונית זו יכולה להפחית באופן דרמטי את צריכת החשמל עבור יישומים עם פעילות זמנית מלוחה, כגון מילת מפתח או גילוי.עם זאת, החומרה והתוכנה המיוחדת עבור מחשוב נוירו-מורפי נשאר פחות בוגר מאשר גישות קונבנציונליות.

אופטימיזציה אוטומטית וחיפושי נילי

טכניקות אופטימיזציה אוטומטיות מבטיחות לדמוקרטיזציה של למידת מכונה מוטבעת על ידי צמצום המומחיות הנדרשת עבור פריסה מוצלחת.חיפוש אדריכלות נילי, קוונטיזציה אוטומטית וטכניקות דחיסה נלמדות יכול לגלות אסטרטגיות אופטימיזציה שעולה על עיצוב ידני, במיוחד עבור מודלים מורכבים פלטפורמות חומרה חדשניות.

ה- 2020s ראו את העלייה של גישות היברידיות, שילוב של קידוד, קוונטיזציה, וזיקוק לאופטימיזציה נוספת של LLMs, עם יעילות מוכחת ב- AL בהשגת תוצאות תחרותיות עם פחות משאבים באמצעות הטמעת מכשולים ושיתופי פרמטרים, בעוד אסטרטגיות דחיסה היברידיות לקדם כוח נמוך עבור AI, קצה, פריסות בקנה מידה גדול.

חיפוש ארכיטקטורת עצבית קשיחה-מודע מייצג כיוון מבטיח במיוחד, באופן אוטומטי לגלות ארכיטקטורות מודלים אופטימיזציה עבור פלטפורמות חומרה ספציפיות ומגבלות.טכניקות אלה יכולות לחקור חללי עיצוב גדולים בהרבה מאשר הרצה ידנית מאפשר, פוטנציאל לגלות ארכיטקטורות חדשניות שהשגת התאמות דיוק גבוהות יותר.

סטנדרט ו Benchmarking

פערים קריטיים במחקר הנוכחי כוללים את חוסר התמיכה בלמידה ממוזמנת, את האבטחה של עדכונים אוויריים יתר, ואת היעדר קריטריונים חזקים עבור מערכות זעיר-ל, הדגשת תחומים הדורשים תשומת לב קהילתית ומאמצים סטנדרטיזציה.הקמת מבחנים משותפים, פרוטוקולים הערכה ומדדי ביצועים יאפשרו השוואות ירידות על פני גישות שונות ויאץות בתחום.

מאמצי סטנדרטיזציה סביב פורמטים מודל, פריסת APIs, וממשקי חומרה יכולים להפחית את הפיצול ולשפר את יכולת ההתערבות על פני מערכת אקולוגית הלמידה של מכונה משובצת.תעשייה קונסורציונאליה ויוזמות קוד פתוח לשחק תפקידים חשובים בפיתוח וקידום סטנדרטים אלה, אם כי איזון סטנדרטיזציה עם חדשנות נשאר אתגר מתמשך.

המונחים: metrics summary

הבנה ומדידה של מדדי הביצועים הנכונים מבטיחים שמערכות למידת מכונה משובצות יעמדו במטרות העיצוב שלהן ופועלות באופן אמין בפריסה.המדדים הבאים מייצגים את השיקולים הקריטיים ביותר עבור עיצוב מערכת ML משובצ:

• (FLT:0) אי-דיוק: 1FLT) הזמן הנדרש כדי לעבד קלט אחד באמצעות המודל, קריטי עבור יישומים בזמן אמת וניסיון למשתמש.
• (FLT:0) מזכר טביעת רגל: 1 RAM הכולל הנדרש לפרמטרים מודלים והפעלה בינונית במהלך הקצוב. Peak השימוש בזיכרון לעתים קרובות מייצג את החסימה המחייבת של פריסה על פלטפורמות המוגבלות משאבים.
• גודל ה-FLT:0 (Model Size:FLT:1) מרחב האחסון הנדרש לפרמטרים מודל, המשפיע על דרישות זיכרון פלאש ומודל טעינת זמן.טכניקות לדיכוי יכולות להשיג 50× או יותר הפחתה בגודל תוך שמירה על דיוק מקובל.
• (FLT:0) צריכת האנרגיה: FLT:1 האנרגיה הכוללת הנדרשת להקצאה, קביעת חיי סוללה ישירות למכשירים ניידים.טכניקות אופטימיזציה יכולות להפחית את צריכת האנרגיה ב 3× או יותר באמצעות קוונטיזציה וריצה.
• (FLT:0)Model Accuracy:FLT:1, המדד הבסיסי של ביצועי המודל על משימת היעד, אשר יש לשמור בתוך גבולות מקובלים במהלך אופטימיזציה.
• (ב) .0.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10
• (FLT:0)Power Efficiency:FLT:1 יחס חישוב שימושי לצריכת חשמל, לעתים קרובות נמדדת בהבדלים ל-Julle או מדדים מורכבים דומים שלוכדים את רמת המסחר באנרגיה מדויקת.

יישום כללי Checklist

פריסת מודלים למידת מכונה במערכות משובצות דורשות תשומת לב שיטתית לשיקולי עיצוב וביצוע מרובים.הרשימה הבאה מספקת גישה מובנית לפיתוח מערכת ML משובצת:

• (FLT:0) ניתוח חקירה: FLT:1IRECT דיוק, עצלות, צריכת חשמל ומגבלות עלות בהתבסס על דרישות יישום והקשר פריסה.
• (FLT:0) בחירה: FLT:1 בחר מיקרובקר או פלטפורמה מוטבעת על בסיס יכולת עיבוד, יכולת זיכרון, תקציב חשמל, ומאצרים זמינים.
• (FLT:0)Model Architecture:FLT:1 (אדריכלות רשת עצבית עיצובית מתאימה למורכבות המשימה ולמגבלות חומרה, בהתחשב באדריכלות קל משקל כמו MobileNet או EfficientNet עבור פלטפורמות מוגבלות משאבים.
• (FLT:0) אסטרטגיה חדשנית: גישה לאימון פיתוח 1 (FLT:1) המשלבת שיקולים אופטימיזציה, פוטנציאל כולל אימון קוהור או חיפוש אדריכלות.
• (FLT:0)Optimization Pipeline:FLT:1 החל שילוב מתאים של קוונטיזציה, יזום וטכניקות זיקוק המבוססות על מגבלות ודרישות דיוק מחייבות.
• בדיקה אחרונה ב-6 ביולי 2008. ^ FLT:0.2017,113:0.10.17.05.17.I.E.I.E.E.E.E.E.I.E.E.E.D.E.S.E.S.E.S.E.I.E.E.E.D.E.E.
• (ב) אינטגרציה:0 (Deploymentאינטגרציה: FLT:1 Integrate) הטמיע מודל לשחיקה יישומים עם עיבוד הולם, עיבוד וטיפול שגיאות.
• (FLT:0) בדיקת פידל: 1FLT 1 ביצועי מערכת אימות בתנאי הפעלה מציאותיים כולל וריאציות סביבתיות ומקרים קצה.
• (FLT:0) ניהול ותחזוקה: FLT:1 נהלים עבור ניטור ביצועי מערכת ועדכון מודלים כדרישות או תנאים משתנים.

מסקנה

מודלים של למידת מכונה במערכות משובצות מייצגים אתגר הנדסי מורכב הדורש שיקול זהיר של מגבלות חומרה, טכניקות אופטימיזציה, ומדדי ביצועים. TinyML יש תיעוד חזק של יכולת בעולם האמיתי ומציע יתרונות על ההיקף מבוסס ענן, במיוחד בסביבות עם מגבלות רוחב פס ושימוש במקרים הדורשים זמני תגובה מהירים, מה שהופך אותו לטכנולוגיה חשובה יותר ויותר עבור פריסת יכולות AI על פני תחומים מגוונים.

התחום ממשיך להתפתח במהירות, עם מגמות עיקריות כולל צמיחה פרסום אקספוננציאלית, שיתוף פעולה בינלאומי חזק, וכיוונים עתידיים כגון חומרה בת קיימא, למידה מוזן ומסגרות אתיות המספקות בסיס מדעי ומפת דרכים אסטרטגית לקידום יישומים מדרגיים, יעילות אנרגיה, ויישומים פרטיים ראויים לפרטיות. התפתחויות אלה מבטיח להרחיב את טווח הלמידה של מכונות מוטבעת ליישומים חדשים ופריסות.

הצלחה בלמידה ממוחשבת מוטבעת דורשת גישה הוליסטית הרואה את ערערת המערכת המלאת מאדריכלות מודל באמצעות יישום חומרה.מודל אופטימיזציה גשרים יכולת תיאורטית ופריסה מעשית, שהופכת מודלים מחקריים אינטנסיביים חישוביים במערכות יעילות לשימור ביצועים תוך עמידה במגבלות מחמירות על זיכרון, אנרגיה, שקיפות, ועלות.על ידי יישום שיטתי של עקרונות העיצוב, טכניקות אופטימיזציה ואסטרטגיות אימות המפורטות במאמר זה, מהנדסים יכולים לפרוס בהצלחה יכולות למידה מתוחכמות של מכונות לפלטפורמות מאומנים.

(הקדמה המתמשכת של טכנולוגיות למידת מכונות משובצות, בשילוב עם שיפור יכולות חומרה וטכניקות אופטימיזציה, תאפשר יישומים חכמים יותר ויותר ב-AI קצה קצה קצה קצה קצה הדרך.מ- אוטומציה תעשייתית ניטור רפואי, רגישות סביבתית לתשתיות חכמות, למידת מכונה משובצת משנה כיצד אנו מפעילים אינטליגנציה ברחבי העולם הפיזיקלי: מידע נוסף על מסגרות למידה מעמיקות (FLT) 7) למערכות מחקר LT5: LT54