随着计算密集型机器学习应用（如执行实时语言翻译的聊天机器人）的激增，设备制造商通常会采用专用硬件组件来快速移动和处理这些系统所需的海量数据。
为这些被称为深度神经网络加速器的组件选择最佳设计极具挑战性，因为它们可能有大量的设计选项。如果设计者希望增加加密操作以保护数据安全，避免受到攻击，这个难题就会变得更加棘手。
现在，麻省理工学院的研究人员开发出了一种搜索引擎，可以有效识别深度神经网络加速器的最佳设计，在提高性能的同时保护数据安全。
他们的搜索工具被称为 "SecureLoop"，旨在考虑增加数据加密和验证措施将如何影响加速器芯片的性能和能耗。工程师可以利用该工具获得针对其神经网络和机器学习任务的最佳加速器设计。
与不考虑安全性的传统调度技术相比，SecureLoop 可以提高加速器设计的性能，同时保护数据。
使用SecureLoop可以帮助用户提高要求苛刻的人工智能应用（如自动驾驶或医学图像分类）的速度和性能，同时确保敏感的用户数据免受某些类型的攻击。
"如果你想在进行计算时保护数据的安全，那么我们以前用来寻找最优设计的规则现在已经被打破了。因此，所有的优化都需要针对这一新的、更复杂的约束条件进行定制。麻省理工学院计算机科学和电子工程实践教授、SecureLoop 论文的共同作者乔尔-埃默（Joel Emer）说："这就是（第一作者）Kyungmi 在这篇论文中完成的工作。
与埃默共同撰写论文的还有论文第一作者、电气工程与计算机科学研究生李京美（Kyungmi Lee），电气工程与计算机科学霍默-伯内尔职业发展助理教授、计算机科学与人工智能实验室（CSAIL）成员严孟嘉（Mengjia Yan），以及资深作者、麻省理工学院工程学院院长、电气工程与计算机科学范内瓦尔-布什（Vannevar Bush）教授阿南塔-钱德拉卡桑（Anantha Chandrakasan）。这项研究将在 IEEE/ACM 微体系结构国际研讨会上发表。
