BearingNAS to nowy framework bazujący na Hardware-Aware Neural Architecture Search, który przeprojektowuje sposób wdrażania sztucznej inteligencji w przemyśle. Zamiast wysyłać dane z czujników do komputera czy chmury w celu analizy, framework tworzy małe sieci neuronowe, które działają bezpośrednio na samym czujniku - to podejście zwane in-sensor processing. Naukowcy rozwiązali fundamentalny problem: jak projektować efektywne modele dla urządzeń z ekstremalnie ograniczoną pamięcią, zaledwie kilkukilobajtami RAM-u i Flash-u.
Klucz do sukcesu stanowi innowacyjna strategia wyszukiwania architektur, która nie wymaga GPU ani zaawansowanych procesorów. Zamiast tego badacze opracowali algorytm wolny od pochodnych, który inteligentnie eksploruje przestrzeń możliwych projektów sieci, używając formułacji z malejącym wzrostem kerneli aby zapobiec eksplozji liczby parametrów. System testowano na standardowym benchmarku CWRU do diagnostyki łożysk, optymalizując architektury dla rzeczywistych czujników od STMicroelectronics, w tym zaawansowanego LSM6DSO16IS Intelligent Sensor Processing Unit. Całe poszukiwanie przebiegało na zwykłym laptopowym procesorze CPU.
Wyniki są imponujące: najlepsza uzyskana architektura osiąga 99,5 procent dokładności w diagnozowaniu uszkodzeń łożysk. To ma praktyczne znaczenie dla przemysłu - systemy mogą teraz pracować całkowicie na sensorze bez przesyłania danych, co zmniejsza opóźnienia, zużycie energii i koszty infrastruktury. BearingNAS otwiera drogę do taniej, skalowanej na produkcję diagnostyki maszynowej wbudowanej bezpośrednio w urządzenia IoT i czujniki przemysłowe.