Moku 뉴럴 네트워크
Moku:Pro는 모든 실험 및 측정 장비에 통합된 유일한 FPGA 기반 뉴럴 네트워크입니다. Moku:Pro를 통해 실험 설정에 맞춰 실시간의 강력한 머신 러닝 알고리즘을 실행하세요. 파이썬을 사용하여 모델을 빌드 및 훈련하신 후 Moku:Pro를 통해 테스트 시스템에 배포하시어 저지연 추론을 달성하고 변화무쌍한 실험 조건에 신속하게 대응하실 수 있습니다.
뉴럴 네트워크 예제
뉴럴 네트워크를 구축하는 방법
우선 파이썬을 다운로드하시고 Keras for Tensorflow를 설치하십시오. Moku 또는 시뮬레이션에서 캡처한 데이터를 이용하여 네트워크를 빌드 및 훈련시킵니다. 만족할만한 모델 성능에 이르셨다면 저지연 추론용으로 Moku에 가중치와 편향을 업로드하시면 됩니다.
신호 오토인코더
Moku Python API를 통해 Moku 기기를 사용하여 노이즈가 포함된 데이터를 생성하신 후 네트워크를 훈련시킵니다. 그 후 Moku Neural Network를 사용하여 입력 신호에서 동적이고 변칙적인 노이즈를 필터링합니다.
신호 분류
이것은 가장 일반적인 뉴럴 네트워크 활용 사례입니다. 입력 데이터는 다양한 클래스에 걸쳐 확률 분포에 따라 매핑됩니다. 여러분의 테스트에 상세한 합격/불합격 기준을 설정하시거나, 변화무쌍한 실험 조건에 신속하게 대응하거나, 예측 여부와 관계없이 파형 발생을 기록하고 추적하실 수 있습니다.
사분면 포토다이오드 감지
최소한의 보정으로 사분면 포토다이오드(Quadrant Photodiode, QPD)에서 빔 위치를 정확하게 측정합니다. 컨트롤러 안정성에 영향을 미치지 않는 낮은 지연 시간으로 렌즈 왜곡 및 정렬 오류를 실시간으로 학습하고 수정합니다. Moku를 통해 훈련 데이터를 생성하고 저장하거나 광학 설정 시뮬레이션에서 빌드할 수 있습니다.
더욱 다양한 예제
신호 인식, 신호 생성기 등의 바로 이용 가능한 뉴럴 네트워크 모델을 다운 후 배포하실 수 있습니다.주요 장점
실시간 머신 러닝, 역동적인 의사 결정, 보다 효율적인 데이터 처리를 통해 실험을 최적화하십시오.
데이터 처리를 빠르고 쉽고 지능적으로 만드십시오
네트워크를 훈련하여 특정 신호 이상, 트리거 발생, 빔 위치 등을 식별합니다. 작업하는 신호를 정의하기 어렵거나 분석에 광범위한 후처리가 필요한 경우 Moku Neural Network를 사용하여 지능형 실시간 분석을 수행합니다.
가성비 좋은 빌트인 뉴럴 네트워크를 갖춘 유일한 실험 기기
강력한 FPGA에 구축된 Moku Neural Network는 다른 Moku 테스트 장비와 함께 사용될 수 있는 다재다능하고 강력한 도구입니다. 짧은 시간 내에 대량의 데이터 세트를 처리하고, 변화하는 신호 패러미터에 맞게 조정하고, 테스트 구성을 최적화합니다.
실시간 폐쇄 루프 피드백 시스템 구현
센서 데이터, 액추에이터 위치 또는 다른 입력 신호를 받아서 Moku 뉴럴 네트워크에 매핑합니다. 그런 다음 동작을 출력합니다. 많은 시스템은 특정 제어 동작을 위해 미리 결정하기 어려운 입력을 필요로 합니다. Moku 뉴럴 네트워크는 입력을 지능적으로 분석하여 빠르고 효과적인 피드백을 제공합니다.
머신 러닝을 접근 가능하고 효과적으로 만드세요
Moku Neural Network는 딥 러닝 전문가뿐만 아닌 어떠한 연구자라도 실험실 설정을 최적화할 수 있도록 설계되었습니다. 직관적인 예제, 빠른 학습 시간, 실시간 네트워크 실행을 통해 실험실에 뉴럴 네트워크 통합하는 것이 지금만큼 쉬웠던 적은 없었습니다.
원하는 API와 매끄럽게 작동할 수 있도록 설계되었습니다.
Moku는 Python, MATLAB, LabVIEW 등에 대한 API 지원을 제공하므로 Moku를 귀하의 기술 스택에 손쉽게 통합할 수 있습니다.
까다로운 용도를 위한 설계
폐쇄 루프 제어
노이즈 필터링
신호 분류
양자 방출기 제어
이상 감지
다양한 기술 스택과 원활하게 통합됩니다.
자주 묻는 질문
뉴럴 네트워크는 인간의 뇌에서 영감을 받은 머신 러닝 구조입니다. 이는 뉴런이라 불리는 상호 연결된 세포로 이루어진 각각의 레이어로 묶여있습니다. 입력 레이어, 하나 이상의 숨겨진(내부) 레이어, 출력 레이어. Moku 뉴럴 네트워크와 같은 완전 연결된 모델에서 각각의 뉴런은 이전 레이어의 값 또는 뉴런이 출력에 얼마나 영향을 미치는지 나타내는 일련의 가중치를 갖습니다. 이러한 가중치는 "훈련" 단계 중에 조정되어 출력 레이어의 결과물이 우리가 예상한 결과와 일치하는지 확인하는데 사용됩니다. 훈련 후 모델은 "추론"에 사용되어 이전에 본 적이 있거나 없는 일부 입력이 주어진 출력 값 세트를 추론할 수 있습니다.
뉴럴 네트워크란 일반적으로 CPU 및/또는 GPU의 조합으로 구축되고 실행됩니다. 이 방식은 놀라운 컴퓨팅 파워를 제공하면서 리소스 집약적이기도 합니다. 대규모 AI 모델은 에너지를 과도하게 소비하여 신호 처리 애플리케이션에는 정도가 지나친 면이 있습니다. 여기서 유연성과 실시간 처리 특성을 지닌 FPGA는 소규모 신경망을 구현할 수 있는 강력한 대안이 됩니다. 병렬 처리 기능은 네트워크를 통한 정보 전파에 관련된 선형 대수 및 기타 복잡한 수학에 도움이 됩니다.
Moku 뉴럴 네트워크 모델을 학습하려면, 본 예제를 참조하여주십시오. 해당 가이드에서 모델을 설정하고, 학습 데이터를 생성하고, 모델을 학습시키고, 결과 가중치와 편향을 .linn 모델로 출력한 후 Moku Neural Network에 업로드하는 방법을 가르쳐드릴 것입니다.
전혀 그렇지 않습니다. 이 다재다능한 도구는 모든 연구자가 접근할 수 있도록 설계되었습니다. 귀하께서 머신 러닝의 전문가시라면 Moku 뉴럴 네트워크 애플리케이션을 한 층 더 도약시킬 수 있으시겠지만, 기본적으로 Moku:Pro사용자라면 누구건 손쉽게 활용하실 수 있습니다
