POUR DIFFUSION IMMÉDIATE, n° 3247

Ce texte est une traduction de la version anglaise officielle de ce communiqué de presse. Il est fourni à titre de référence et pour votre confort uniquement. Pour tout détail ou spécificité, veuillez vous reporter à la version anglaise d'origine. La version anglaise d'origine prime, en cas de divergence.

Mitsubishi Electric développe un réseau GAN compact

Pour une synthèse rapide des images avec une complexité de calcul et une consommation de mémoire réduites

Version PDF

TOKYO, 31 janvier 2019Mitsubishi Electric Corporation (TOKYO : 6503) a annoncé aujourd'hui le développement d'un réseau antagoniste génératif (GAN, Generative Adversarial Network) qui s'appuie sur la technologie d'intelligence artificielle (IA) propriétaire Maisart®* de Mitsubishi Electric. Les GAN sont issus d'une nouvelle technologie d'apprentissage machine qui synthétise des images photoréalistes en mettant en concurrence deux systèmes d'IA (un générateur et un discriminateur) l'un contre l'autre. La complexité de calcul et la consommation de mémoire de ce GAN compact représentent environ un dixième de la complexité et de la consommation d'un GAN classique**, une propriété qui permet de synthétiser efficacement le nombre considérable d'images utilisées pour l'apprentissage d'autres systèmes d'IA.

* Mitsubishi Electric's AI creates the State-of-the-ART in technology : l'intelligence artificielle de Mitsubishi Electric crée une technologie de pointe
** Résultat basé sur une comparaison effectuée en interne avec un GAN classique mis en place par Mitsubishi Electric

0131-a_img

Aperçu du GAN et de l'algorithme développé

Fonctions clés

1)
Réduction de la complexité de calcul et de la consommation de mémoire du générateur de 90 %
Dans un GAN, le système d'IA qui synthétise les images est appelé un générateur. Il est souvent créé à l'aide d'un réseau neuronal profond nécessitant une mémoire et des ressources de calcul importantes. Mitsubishi Electric a développé un nouvel algorithme qui évalue l'importance de chaque couche dans les réseaux neuronaux profonds. En supprimant des couches considérées comme peu importantes, les coûts de calcul et la consommation de mémoire du générateur peuvent être réduits à environ un dixième de leurs valeurs habituelles** sans compromettre la qualité des images de synthèse.
2)
Réduction des coûts de préparation des images d'apprentissage pour les systèmes d'IA
L'apprentissage de l'intelligence artificielle nécessite l'accès à des millions voire à des dizaines de millions d'images présentant diverses variations. Il s'agit de l'un des plus grands défis des applications d'IA actuelles, car la préparation de telles données est extrêmement coûteuse en termes de temps et de ressources humaines nécessaires. Le nouveau GAN compact peut synthétiser automatiquement et rapidement des images à l'aide de dispositifs économiques tels que des ordinateurs portables, entraînant ainsi une réduction significative des coûts de préparation des images d'apprentissage pour les systèmes d'IA.

Veuillez noter que les communiqués sont exacts au moment de la publication, mais peuvent être sujets à modifications sans préavis.