Description

QNN atau Quantum Neural Networks adalah jenis jaringan saraf buatan (neural network) yang menggunakan prinsip-prinsip mekanika kuantum untuk memproses informasi. Sedangkan IoT atau Internet of Things adalah sebuah jaringan objek fisik yang terhubung satu sama lain dan dapat bertukar data melalui internet.

Jika penjelasan secara teorinya, QNN dapat digunakan untuk meningkatkan kinerja dan efisiensi sistem IoT. Karena QNN dapat memproses informasi dengan lebih cepat dan efisien daripada model neural network klasik, hal ini dapat membantu meningkatkan kemampuan sistem IoT dalam mengumpulkan dan menganalisis data.

Dalam prakteknya, aplikasi QNN dalam IoT masih dalam tahap awal pengembangan dan banyak tantangan teknis yang harus diatasi sebelum teknologi ini dapat digunakan secara luas. Namun, potensi penggunaannya di masa depan dapat membantu meningkatkan kinerja dan keamanan sistem IoT.

Kemudian kita akan belajar mengenai kuantisasi. Secara garis besarnya kuantisasi adalah proses pemetaan nilai tak hingga yang kontinu ke kumpulan nilai hingga diskrit yang lebih kecil. Dalam konteks sistem tertanam (embedded system), kuantisasi berarti melakukan aproksimasi terhadap suatu nilai asli dengan nilai digital dengan limit dan range tertentu.

Dengan demikian, kuantisasi dapat mengakibatkan berbagai macam error pada algoritma atau sistem yang kita rancang, contoh: rounding error, underflow, overflow, computational noise, dan limit cycles. Hal-hal tersebut mengakibatkan perbedaan numerik antara nilai yang sesungguhnya pada sistem yang ideal dengan nilai yang diaproksimasi/dikomputasi.

Untuk meredam efek kuantisasi, kita perlu memilih tipe data yang sesuai untuk merepresentasikan nilai yang sesungguhnya. Dengan demikian, kita juga perlu mempertimbangkan tingkat kepresisian, range, scaling data yang kita harapkan dari sistem yang dibangun. dan berikut adalah tahapan kompilasi QNN dengan FINN:

Setelah penjelasan diatas berikut ini merupakan beberapa contoh kuantisasi dalam bidang-bidang yang berbeda:

1. Pemrrosesan Sinyal, Dalam pemrosesan sinyal, secara khusus pada aplikasi komunikasi wireless, error kuantisasi mengakibatkan efek noise yang menurunkan signal-to-noise ratio (SNR). SNR diukur dalam DB yang secara umum merepresentasikan banyaknya reduksi x desibel pada setiap bit data. Untuk meredam efek noise berlebih dan menjaga SNR dalam batas interval yang masih bisa diterima, kita perlu mengkonfigurasi beberapa komponen dalam sistem pemrosesan sinyal yang kita bangun, yakni: pemilihan tipe data (data type) dan teknik pembulatan data (rounding).
2. Sistem Kontrol, Saat mendesain suatu sistem kontrol yang akan ditanamkan pada sebuah mikrokontroler, kita dapat menggunakan tipe data integer untuk menjaga trade-off performa dan konsumsi daya (performa memadai secara real-time dengan konsumsi daya yang minimum). Dalam desain sistem seperti itu, kita perlu memilih tipe data yang dapat mengakomodasi rentang dinamis dan presisi sinyal yang berasal dari sensor (input) sambil memenuhi persyaratan presisi untuk sinyal output, semuanya tanpa mengalami perbedaan numerik yang besar karena kuantisasi. Contoh pengaplikasian kuantisasi pada sistem kontrol.
3. FPGA, Dalam mendesain logika di FPGA, ASIC, dan SoC, mengonversi segala elemen yang bersifat floating point kedalam fixed point dapat membantu meminimumkan konsumsi daya, latency, dll. Akan tetapi, proses kuantisasi saat melakukan konversi floating point ke fixed point ini tentu menimbulkan kuantisasi error sebagaimana disebutkan sebelumnya. Oleh karena itu, kita perlu mempertimbangkan quantization noise dengan hati-hati supaya performa sistem tidak menurun secara drastis sekalipun konsumsi daya dan latencynya bisa sangat rendah.

Deep Learning, merupakan langkah yang penting untuk mengakselerasi pemrosesan sekaligus menurunkan konsumsi daya dan memori pada suatu embedded device. Sebagai contoh, kuantisasi integer 8bit pada sebuah model deep learning mungkin akan menurunkan performa (akurasi, presisi) prediksi dari model tersebut. Namun, dengan kuantisasi, kita bisa menghemat penggunaan memori yang mana dapat digunakan oleh algoritma atau fungsi lainnya. Dalam melakukan kuantisasi pada sebuah model deep learning, terdapat beberapa hal yang perlu diperhatikan diantaranya: target hardware (GPU, CPU, FPGA), tipe data, jenis-jenis layer yang dipakai dalam arsitektur model, dll.