• 回复
  • 收藏
  • 点赞
  • 分享
  • 发新帖

Ameya360代理-ROHM开发出数十毫瓦超低功耗的设备端学习AI芯片

   全球知名半导体制造商ROHM(总部位于日本京都市)开发出一款设备端学习*AI芯片(配备设备端学习AI加速器的SoC),该产品利用 AI(人工智能)技术,能以超低功耗实时预测内置电机和传感器等的电子设备的故障(故障迹象检测),非常适用于IoT领域的边缘计算设备和端点*1。

    通常,AI芯片要实现其功能,需要进行设置判断标准的“训练”,以及通过学到的信息来判断如何处理的“推理”。在这种情况下,“训练”需要汇集庞大的数据量形成数据库并随时更新,因此进行训练的AI芯片需要具备很高的运算能力,而其功耗也会随之增加。正因如此,面向云计算设备开发的高性能、昂贵的AI芯片层出不穷,而适用于边缘计算设备和端点(更有效地构建物联网社会的关键)的低功耗、可在设备端学习的AI芯片开发却困难重重。

    此次开发出的AI芯片,是ROHM在基于日本庆应义塾大学松谷教授开发的“设备端学习算法”,面向商业化开发的AI加速器*2(AI专用硬件计算电路)和ROHM8位高效CPU“tinyMicon MatisseCORE(以下简称“Matisse”)”构成。通过将2万门超小型AI加速器与高效CPU相结合,能以仅几十mW(仅为以往AI训练芯片的1/1000)的超低功耗实现训练和推理。利用本产品,无需连接云服务器,就可以在设备终端将未知的输入数据和模式形成“不同于以往”的数值并输出,因此可在众多应用中实现实时故障预测。

    未来,ROHM计划将该AI芯片的AI加速器应用在IC产品中,以实现电机和传感器的故障预测。计划于2023年度推出产品,于2024年度投入量产。

    日本庆应义塾大学 理工学部信息工学科 松谷 宏纪 教授表示:“随着5G通信和数字孪生*3等物联网技术的发展,对云计算的要求也越来越高,而在云服务器上处理所有数据,从负载、成本和功耗方面看并不现实。我们研究的‘设备端学习’和开发的‘设备端学习算法’,是为了提高边缘端的数据处理效率,创建更好的物联网社会。这次,我校通过与ROHM公司进行联合研究,进一步改进了设备端学习电路技术,并有望以高性价比的方式推出产品。我们预计在不久的将来,这种原型AI芯片将会成功嵌入ROHM的IC产品中,为实现更高效的物联网社会做出贡献。”

    <关于tinyMicon MatisseCORE™>

    tinyMicon MatisseCORE(Matisse: Micro arithmetic unit for tiny size sequencer)是ROHM自主开发的8位微处理器(CPU),该产品旨在随着物联网技术的发展来提高模拟IC的智能化程度。凭借针对嵌入式应用而优化的指令集和最新的编译器技术,以高标准实现了更小的芯片面积和程序代码、以及更高速的运算处理能力。此外,该产品还符合汽车功能安全标准“ISO 26262”、ASIL-D等的要求,适用于对可靠性要求高的应用。另外,利用内置的自有“实时调试功能”,在调试时的处理可以完全不影响应用程序的运行,因此能在应用产品工作的同时进行调试。

    Matisse和普通小型CPU的性能比较

    <AI芯片(配备设备端学习AI加速器的SoC)详细介绍>

    这次开发出的设备端学习AI芯片原型(产品型号:BD15035)在人工智能技术的基础上,采用了庆应义塾大学松谷教授开发的“设备端学习算法(三层神经网络*4的AI电路)”。为了推出可以投放市场的产品,ROHM将这种AI电路的大小从500万门缩小为2万门,仅为原来的0.4%,并将其重新构建为自有的AI加速器“AxlCORE-ODL”,同时,利用ROHM的8位高效微处理器“tinyMicon MatisseCORE”进行AI加速器的运算控制,使得仅数十毫瓦的超低功耗AI训练和推理成为可能。利用本产品,无需连接云服务器和事先进行AI训练,就可以设备终端将未知的输入数据和模式(例如加速度、电流、照度、声音等)形成“不同于以往(异常度)”的数值并输出,因此不仅可以降低云服务器和通信成本,还能通过终端AI进行实时故障预测(故障迹象检测)。

    另外,ROHM还提供可安装微控制器开发板“Arduino*5”用扩展板(配备Arduino兼容引脚)的评估板,以方便客户评估这款AI芯片。评估板上装有无线通信模块(Wi-Fi和Bluetooth®)以及64kbit EEPROM(内存),只需将该评估板与传感器等单元相连接,将传感器装在监控对象上,即可在显示屏上确认AI芯片的效果。

全部回复(0)
正序查看
倒序查看
现在还没有回复呢,说说你的想法