Документ и техническая задача
Заявка US20260065050A1 опубликована 5 марта 2026 года; заявитель — DEEPX Co., Ltd. Она посвящена обучению нейронной сети и выводу с использованием разнородных процессоров. Код A1 означает публикацию заявки, а не подтверждение выдачи патента. Анализ не устанавливает актуальный правовой статус и не утверждает, что DX-M1 реализует все признаки формулы.
Представим камеру, выявляющую царапины на производственной линии. Обученная на мощном компьютере модель должна работать рядом с камерой, при других объёмах памяти, поддерживаемых операциях и ограничениях мощности. Преобразование может повлиять на точность. Это условный пример, а не описание внедрения у клиента или измеренных показателей.
Обучение и вывод решают разные задачи
Обучение корректирует параметры по примерам; вывод применяет подготовленную модель к новым входным данным. Размеченные изображения изделий используются для обучения, а новые снимки с линии — для классификации. В раскрытой архитектуре первый процессор обучает модель, второй, с иной конфигурацией и более ограниченными возможностями, выполняет вывод.
Развёртывание не сводится к копированию файла. Необходимо проверить доступные операции и поведение модели после преобразования. Даже если она помещается в память устройства, это ещё не гарантирует сохранения качества обнаружения дефектов.
Веса, структура и облегчение модели
Веса — числовые параметры, а структура — этапы вычислений и связи между ними. Обновление параметров не тождественно изменению структуры. Прореживание удаляет отдельные связи или компоненты, квантование уменьшает точность представления чисел. Это снижает требования к ресурсам, но может ухудшить точность и потребовать повторного обучения.
На фигуре 5 показаны обучающий GPGPU (100), NPU для вывода (200), память (300), компилятор (310), хранение (320) и передача отчётных результатов (330). Компилятор подготавливает вычисления под целевое устройство; остальные блоки поддерживают хранение и обмен. Схема не доказывает конкретное устройство коммерческого чипа.
Оценка на устройстве замыкает цикл
Последовательность включает обучение, передачу весов, вывод и оценку на целевом устройстве, возврат результатов, изменение модели и повторный вывод. Обучающий процессор использует оценку для корректировки структуры и весов, затем передаёт обновлённые веса для изменённой модели. Не предполагается, что периферийный NPU сам выполняет повторное обучение.
Фигура 7 разделяет обучающие данные для GPGPU и тестовые данные для целевого устройства и показывает обратную связь. В условном заводском примере изображения с известными ответами выявляют пропуски дефектов, после чего модель дорабатывают и проверяют вновь. Заводская схема служит пояснением, а не экспериментальным доказательством.
Роли GPU и NPU и место DX-M1
GPU поддерживает параллельные вычисления; GPGPU означает использование этих возможностей для задач общего назначения. NPU предназначен для нейросетевых операций. В заявке обучение на GPGPU и вывод на NPU приведены как пример разнородной обработки с компиляцией под операции и форматы целевого устройства.
DEEPX позиционирует DX-M1 как процессор периферийного ИИ. Вывод выполняется вблизи источника данных вместо передачи каждого входа удалённому серверу. Это может уменьшить обмен данными, однако задержки, энергопотребление, память и точность зависят от реализации. Назначение продукта и содержание патентной заявки требуют раздельной оценки.
Какие материалы важны для патентного анализа
Существенна связь оценки на устройстве с изменением структуры и весов следующей версии модели, а не просто наличие двух процессоров. Следует фиксировать роли устройств, передаваемые сведения, этапы оптимизации, условия оценки и различия версий, отделяя изменение вычислительного графа от обновления параметров.
IPLEX помогает анализировать и описывать для патентования решения в области ИИ и программного обеспечения. Неконфиденциальная схема системы, технические отличия и воспроизводимые условия оценки позволяют конкретизировать вклад. Материалы об ИИ и обучении во время тестирования дают дополнительный контекст, но разные механизмы изменения модели не следует отождествлять.
Исходные обозначения сохранены; технический смысл иллюстраций поясняется в тексте.
По теме: обновление весов во время тестирования