如果你有一部带面部识别功能的智能手机，你可能会想：你的设备是如何学会识别自己的脸而不是配偶的脸的？值得称赞的是，神经网络，一种人工智能的形式，越来越多地用于日常设备。神经网络是一种经过训练的算法，可以像人脑一样识别模式并不断提高其识别能力。

为了变得如此智能，神经网络需要大量的电力，到目前为止，这限制了它们在小型电池供电设备中的使用。你有没有想过为什么智能手机支持人脸识别，而智能手表不支持？只是因为手表没有足够的动力来支撑。得益于国家科学基金会(NSF)的新资助，特拉华大学电气与计算机工程副教授杨正在研究如何通过使用一种新的存储设备来支持低功耗嵌入式系统中的神经网络，这种设备即使在通电的情况下也能检索信息。关闭并进一步减少这些新兴设备中的错误。

适用于神经网络的硬件

为了构建神经网络，工程师需要正确地将硬件和软件结合起来。杨正在从硬件方面接近神经网络。

杨说：“我的研究致力于如何开发用于特定应用的下一代设备或系统或计算机。”随着物联网连接的日益紧密，她特别致力于提高设备的使用寿命和可靠性。其中一些设备(尤其是低端嵌入式和物联网设备)没有足够的内存空间或电池电量来运行神经网络算法。

杨说，“比如户外使用的一些传感器，不适合频繁给电池充电。”“你想用很多年，但神经网络算法几乎每周或每月都可以更新。”

解决办法可能在于使用非易失性存储器，它不依赖电来存储信息。有了这些系统，即使断电，数据也不会丢失。

杨说：“新兴设备利用物理特性来存储价值。”“例如，材料可能有两个不同的存储信息的阶段，不使用时不需要提供任何动力。”

这些类型的设备可能会遇到一些错误，并受到温度和湿度变化的负面影响。在这些设备上运行的任何神经网络都有出错的风险。杨正在开发一种新的方法来测试设备，并在神经网络中检测、分类和减轻这些误差。她的目标是确定累计误差阈值，在该阈值下，器件可以被重新编程或刷新，以将其恢复到原始无误差状态。

杨说：“因为刷新和重编程会消耗一些能量，所以你只有在知道有必要的时候才会想去做。”

杨教授微处理器和嵌入式系统的本科课程，旨在培养本科生解决复杂硬件问题的能力。她也是名为威胁互联网的垂直整合项目(VIP)小组的负责人。这些项目匹配本科生、研究生和教职员工，共同致力于实际项目。

“学生了解数据科学的硬件方面非常重要。当大多数人谈论数据科学和模型时，他们想到的是软件，而不是如何将这些模型实现到硬件中。”随着设备越来越先进，这些技能也会变得越来越重要，所以杨计划教学生如何使用硬件来实现一个强大的神经网络加速器。

她还教授关于系统可靠性的研究生课程，帮助学生识别有故障和错误的硬件。

杨说：“当学生开始学习编程时，他们会认为虽然软件可能有错误，但硬件总是可靠的。”“这个假设不再正确。”