technologie echosonic
La technologie qui soutient echosonic exploite les effets transitoires dans les mécanismes de détection du microphone ou d'autres capteurs pour extraire directement les caractéristiques des signaux pour l'apprentissage automatique. L'entrainement de solution d'apprentissage automatique et l'inférence sont des tâches intensives en puissance de calcul, spécialement si elles ont recours à l'utilisation du cloud. Ces processus pourraient se fairent directement sur l'appareil intelligent (par exemple, Google Home, Apple Homepod, Amazon Alexa, etc.) localement en utilisant des datasets limités sans avoir besoin du recours d'ordinateurs performants. Le système informatique sera plus sécurisé et plus centré sur l'humain.
Référence : Shougat, MREU, Li, X., Mollik, T. et Perkins, E. (2021).
A Hopf physical reservoir computer. Scientific Reports, 11(1), 1-13.
Shougat, M. R. E. U., Li, X., Shao, S., McGarvey, K., & Perkins, E. (2022). Hopf oscillation-based reservoir computer for reconfigurable sound recognition.  arXiv:2212.10370
Montrés sur la figure, les échantillons audio de différentes classes de sorties d'appareils échosoniques sont un modèle 2D unique qui pourrait être reconnu par une lecture numérique très simple sans aucun prétraitement. La lecture numérique exacte pourrait également être utilisée pour la vision par ordinateur et d'autres types de tâches d'apprentissage automatique. Ces fonctionnalités intéressantes offrent la possibilité d'un apprentissage automatique multimodal sur les appareils périphériques.
_JPG.jpg)
Signal audio d'origine
sorties échosoniques
Signal récupéré
echosonic a développé une technologie capable de reconstruire et d'améliorer le signal audio en utilisant les sorties originales des microphones echosonic. Cette technologie permet à echosonic d'être une solution omniprésente pour les dispositifs d'intelligence audio de pointe tout en conservant des qualités d'enregistrement audio supérieures.
Comparaison des performances
Par rapport à les solutions de pointe, echosonic produit > 99 % (97 % de celle pour autres) de précision sur la reconnaissance des mots de réveil à trois classes, tout en consommant < 15 % d'énergie. Plus important encore, nous n'avons besoin d'utiliser que <10 % des données pour reconfigurer les appareils échosoniques, ce qui permet de reconfigurer les appareils directement à la périphérie.