当处理大量COVID-19数据时，机器学习将对2020年产生巨大的影响。为了实现ML在2021年的发展，开发人员正在将AI的使用，低功耗架构和框架兼容性加倍。设备。机器学习（ML）在2020年产生了前所未有的影响，尤其是在通过数据处理检测和跟踪COVID-19病毒方面。研究人员受益于使用ML分析大量信息并得出有关大量人员总体健康状况的结论。到2021年，机器学习在量子计算，机器人技术和基于边缘的AI中的应用将具有巨大的潜力。该流程图描述了机器学习AI过程的各个阶段。机器学习AI处理步骤的高级流程图。图片由SustAGE提供这些应用程序的核心是硬件。特别是，三个面向硬件的思想对于ML硬件开发至关重要：面向边缘的设计，低功耗架构以及与ML框架的兼容性。将ML推向边缘：当内置AI考虑到正在使用和处理的大量数据时，边缘智能变得越来越必要。在为边缘AI设计时，设计人员必须考虑许多约束，例如功耗，电路板空间和计算时间。设备上的AI解决了其中的一些问题，可以在本地进行处理，这有助于减轻云计算的负担，同时也更快，更节能。许多制造商都意识到了这一好处，并尝试将AI应用于智能手机，车辆和IoT设备等各种应用程序的设备中。通过考虑边缘设计，工程师可以在产品投放市场时提供竞争优势。 LG的SoC和LG8111开发板是Edge AI的最新硬件产品。 SoC和开发板包括LG的专用AI处理器和AI加速器。这些设备一起支持各种AI处理功能，例如语音，视频，图像和控制智能。 LG8111SoC和开发板。图片由LG提供。该芯片还支持ASWIoTGreengrass，因此SoC和开发板可以根据设备托管各种应用程序和解决方案。当在边缘设计带有DSP和NN处理器的低功耗架构时，功耗是最重要的考虑因素之一。机器学习处理大量数据；因此，在设计系统时，有必要消除处理过程中的功率浪费。实现低功耗架构的一种方法是同时使用低功耗数字信号处理器（DSP）和专用的NN（神经网络）处理器。 DSPGroup通过其新型DVM10DSP和nNetLiteNN处理器将这种低功耗解决方案付诸实践。这种结构允许两个处理器之间具有不同的功能，具体取决于安装的算法和框架。与仅依靠一个处理器进行处理的所有任务相比，此设置还使处理器能够拆分读取数据和分配任务的过程，从而降低了功耗。 DBM10和当前SoC上受支持的应用程序。图片由DSPG提供。处理器的这种组合使SoC支持约500μW的超低功耗推断，足以满足大多数语音NN算法的要求。与ML框架的兼容性尽管编程和软件应用程序似乎与硬件设计是分开的，但它越来越成为一种交叉点，尤其是在ML中。因此，有必要知道设备将使用什么框架。根据产品或用户的需求，使处理器与各种ML框架兼容可能会有所帮助。 Ambarella的CV5处理器是框架兼容性的最新示例。 CV5与常见的ML框架兼容，例如Caffe，PyTorch，TensorFlow和ONNX。框架兼容性的灵活性为用户提供了多种选择，以将其神经网络集成到设备中。 2021年的机器学习：量子机器学习？ 2021年预测的主要趋势之一是机器学习和量子计算的集成，这被称为“量子机器学习”。根据“量子日报”，量子机器学习是指“旨在编写量子算法以执行机器学习任务的领域”。对于经典计算机，某些机器学习算法过于复杂且劳动强度大。使用量子ML，研究人员可以将经典的ML算法转换为量子电路，以便它们可以在量子计算机上有效运行。经典机器学习（CML）和量子机器学习（GML）。图片由ICFO提供，为新领域铺平了道路。去年，我们看到了量子计算的商业化，同时增强了机器学习的优势。随着大流行的继续，迫切需要