Искусственный интеллект представляет собой способность искусственных интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека. С момента своего возникновения искусственный интеллект прошел значительный путь. Изначально он был ограничен использованием в крупных специализированных системах. Однако с развитием технологий и увеличением вычислительной мощности искусственный интеллект стал более доступным и масштабируемым. Электроника — это наука о взаимодействии электронов с электромагнитными полями и о методах создания электронных приборов и устройств, в которых это взаимодействие используется для преобразования электромагнитной энергии. С каждым днем человечество интегрирует новые открытия в области электроники в различные сферы жизни обычного человека, что приводит к тому, что наличие света и сотен различных электронных приборов вокруг нас становится обыденностью [1].
Теперь искусственный интеллект внедряется в электронику для повышения качества и оптимизации ранее созданных устройств и приборов.
Для полноценного использования ИИ требуется обучить какому-то действию алгоритм на подготовленных данных. Это могут быть задачи классификации, прогнозирования, распознавания/генерации и др. Существует множество способов обучения, при этом все они занимаются многомерной оптимизацией, то есть поиском минимума функции, которая зависит от множества неизвестных. Один из наиболее применимых методов машинного обучения является метод глубокого обучения [2].
Машины обучаются путем обработки данных «вход-выход», то есть при обучении передают нейронной сети входные данные, затем происходит расчет ошибки между верным выходом и выходом нейронной сети и изменение внутренних параметров сети в зависимости от размера ошибки.
Таким образом, для обучения требуется совершение простейших вычислительных операций, таких как сложение и умножение, обработка огромного количества данных и поиск в них закономерностей путем расчета ошибки. Данные должны содержать наборы входных и выходных данных, при этом соотношение различных выходных данных должно быть примерно одинаково для обучения сети. После обучения ИИ готов к обработке незнакомых данных и в зависимости от результатов обучения может с некоторой точностью выдать верный ответ на ранее неизвестные данные.