Der japanische Halbleiterhersteller Rohm hat einen On-Device-Learning-AI-Chip (SoC mit On-Device Learning AI Accelerator) für Edge-Computer-Lösungen im Feld entwickelt. Der Chip für den IoT-Bereich nutzt künstliche Intelligenz, um Ausfälle elektronischer Geräte der Antriebs- und Sensortechnik in Echtzeit vorherzusagen. Im Allgemeinen führen KI-Chips Lernen und Inferenzen durch, um Funktionen der künstlichen Intelligenz zu ermöglichen. Da für das Lernen meist große Datenmengen in einer Datenbank erfasst und bei Bedarf aktualisiert werden müssen, ist erhebliche Rechenleistung erforderlich. Der KI-Chip, der dieses Lernen durchführt, benötigt erhebliche Rechenleistung, die notwendigerweise auch elektrische Leistung benötigt. Bisher war es schwierig, KI-Chips zu entwickeln, die an der Edge lernen können und trotzdem wenig Strom für Edge-Computer sowie Geräte verbrauchen, um ein effizientes IoT-Ökosystem aufzubauen.
Lernen auf dem Edge-Device
Basierend auf einem von Professor Matsutani von der Keio-Universität entwickelten „On-Device-Lernalgorithmus“ besteht der neu entwickelte KI-Chip von Rohm hauptsächlich aus einem KI-Beschleuniger (KI-dedizierte Hardwareschaltung) und Rohms hocheffizienter 8-Bit-CPU tinyMicon MatisseCore. Die Kombination des ultrakompakten KI-Beschleunigers mit 20.000 Gattern und einer Hochleistungs-CPU ermöglicht Lernen und Inferenz mit einem extrem niedrigen Stromverbrauch von nur wenigen 10 mW. Dies ermöglicht eine Echtzeit-Fehlervorhersage in einer Vielzahl von Anwendungen, da Anomalieerkennungsergebnisse (Anomalie-Score) numerisch für unbekannte Eingabedaten an dem Standort ausgegeben werden können, an dem die Geräte installiert sind, ohne mit einem Cloud-Server zu kommunizieren. In Zukunft plant das Unternehmen, den in diesem KI-Chip verwendeten KI-Beschleuniger in verschiedene IC-Produkte für Motoren und Sensoren zu integrieren. Die Einführung soll 2023 beginnen, die Massenproduktion ist für 2024 geplant.
On-Device-Learning-Algorithmen
Professor Hiroki Matsutani, Abteilung für Information und Informatik, an der Keio University in Japan erläutert dazu: „Da IoT-Technologien sowie 5G-Kommunikation und die Verbreitung digitaler Zwillinge voranschreiten, muss sich auch das Cloud Computing weiterentwickeln, aber die Verarbeitung aller Daten auf Cloud-Servern stellt nicht immer die beste Lösung in Bezug auf Last, Kosten sowie Stromverbrauch dar. Mit dem von uns erforschten On-Device Learning und den On-Device-Learning-Algorithmen wollen wir eine effizientere Datenverarbeitung auf der Edge erreichen, um ein besseres IoT-Ökosystem aufzubauen. Durch diese Zusammenarbeit hat uns Rohm den Weg zur kostengünstigen Kommerzialisierung aufgezeigt, indem die Technologie der Lernschaltungen auf dem Gerät weiter vorangetrieben wird. Ich gehe davon aus, dass der Prototyp des KI-Chips in naher Zukunft in die IC-Produkte von Rohm integriert wird.“
tinyMicon MatisseCore
Der Micro arithmetic unit for tiny size sequencer ist die proprietäre 8-Bit-CPU von Rohm, die entwickelt wurde, um analoge ICs für das IoT-Ökosystem intelligenter zu machen. Ein Befehlssatz, der für Embedded-Anwendungen optimiert ist, zusammen mit der aktuellen Compiler-Technologie ermöglicht eine schnelle arithmetische Verarbeitung bei geringer Chipfläche und Programmcodegröße. Hochzuverlässige Anwendungen werden ebenfalls unterstützt, z. B. solche, die eine Qualifizierung nach den Normen ISO 26262 und ASIL-D für die funktionale Sicherheit von Fahrzeugen erfordern, während die proprietäre integrierte Echtzeit-Debugging-Funktion verhindert, dass der Debugging-Prozess den Programmbetrieb beeinträchtigt, sodass das Debugging während der Ausführung der Anwendung durchgeführt werden kann.
Der Prototyp des KI-Chips basiert auf einem On-Device-Lernalgorithmus (dreischichtige neuronale Netzwerk-KI-Schaltung), der von Professor Matsutani von der Keio-Universität entwickelt wurde. Rohm verkleinerte die KI-Schaltung von 5 Mio. Gattern auf nur 20.000 (0,4 % der Größe), um sie für den Einsatz als proprietärer KI-Beschleuniger zu konfigurieren, der von Rohms hocheffizienter 8-Bit-CPU gesteuert wird und KI-Lernen sowie Inferenz mit einem sehr niedrigem Stromverbrauch ermöglicht.
Arduino-kompatible Schnittstellen
Dies ermöglicht die numerische Ausgabe von Anomalieerkennung für unbekannte Eingabedatenmuster (wie Beschleunigung, Strom, Temperatur, etc.) an der Edge, ohne einen Cloud-Server einzubeziehen oder vorheriges KI-Lernen durchzuführen. Damit ist eine Echtzeit-Fehlervorhersage durch die KI vor Ort möglich, ohne Kommunikation mit einem die Cloud-Server. Für die Evaluierung des KI-Chips bietet Rohm ein Evaluierungsboard mit Arduino-kompatiblen Schnittstellen, das mit einer Erweiterungssensorplatine zum Anschluss an eine Arduino-MCU bestückt werden kann. Drahtlose Kommunikationsmodule (Wi-Fi und Bluetooth) zusammen mit 64 kbit EEPROM-Speicher sind auf der Platine vorhanden. (ge)
Kontakt:
Rohm Semiconductor GmbH
Karl-Arnold-Str. 15
D-47877 Willich-Münchheide
Tel: +49 2154 921 0
