KI-Chips führen typischerweise Lern- und Inferenzprozesse durch, um Funktionen der künstlichen Intelligenz zu realisieren. Da das Lernen die Erfassung großer Datenmengen, deren Speicherung in einer Datenbank und deren Aktualisierung erfordert, benötigt der KI-Chip, der den Lernprozess durchführt, erhebliche Rechenleistung und damit einen signifikanten Energieverbrauch. Bislang war es schwierig, KI-Chips zu entwickeln, die dynamisch lernen und dabei minimalen Stromverbrauch aufweisen, um so den Aufbau eines effizienten IoT-Ökosystems mit Edge-Computern und Endgeräten zu ermöglichen.
Basierend auf einem von Professor Matsutani (Keio-Universität) entwickelten On-Device-Lernalgorithmus besteht der neue KI-Chip von ROHM im Wesentlichen aus einem KI-Beschleuniger (einer dedizierten KI-Hardware-Schaltung) 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 extrem niedrigem Stromverbrauch von nur wenigen zehn mW (1.000-mal weniger als bei herkömmlichen lernfähigen KI-Chips). Dies erlaubt die Echtzeit-Fehlerprognose für ein breites Anwendungsspektrum, da Anomalieerkennungsergebnisse (Anomalie-Scores) für unbekannte Eingangsdaten direkt am Installationsort der Anlage numerisch ausgegeben werden können, ohne dass ein Cloud-Server benötigt wird.
ROHM plant, den in diesem KI-Chip verwendeten KI-Beschleuniger künftig in verschiedene IC-Produkte für Motoren und Sensoren zu integrieren. Die Kommerzialisierung soll 2023 beginnen, die Massenproduktion ist für 2024 geplant.
Professor Hiroki Matsutani, Fachbereich Informatik, Keio-Universität, Japan
: „Mit dem Fortschritt von IoT-Technologien wie 5G und digitalen Zwillingen muss sich auch Cloud Computing weiterentwickeln. Die Verarbeitung aller Daten auf Cloud-Servern ist jedoch hinsichtlich Last, Kosten und Energieverbrauch nicht immer die beste Lösung. Mit dem von uns erforschten On-Device-Learning und den von uns entwickelten On-Device-Learning-Algorithmen wollen wir eine effizientere Datenverarbeitung direkt am Netzwerkrand erreichen und so ein besseres IoT-Ökosystem schaffen. Durch diese Zusammenarbeit hat uns ROHM den Weg zu einer kosteneffektiven Kommerzialisierung aufgezeigt, indem es die Technologie für On-Device-Learning-Schaltungen weiterentwickelt hat. Ich hoffe, dass der KI-Chip-Prototyp in naher Zukunft in die IC-Produkte von ROHM integriert wird.“
Über tinyMicon MatisseCORE™:
tinyMicon MatisseCORE™ (Matisse: tiny-sized sequencer microarithmetic unit) ist ROHMs proprietäre 8-Bit-CPU, die für intelligentere analoge ICs im IoT-Ökosystem entwickelt wurde. Ein für eingebettete Anwendungen optimierter Befehlssatz ermöglicht zusammen mit modernster Compiler-Technologie schnelle arithmetische Verarbeitung auf kleinerem Chip und mit geringerem Programmcode. Sie unterstützt zudem Anwendungen mit hohen Zuverlässigkeitsanforderungen, wie z. B. solche, die nach den Fahrzeugsicherheitsstandards ISO 26262 und ASIL-D qualifiziert werden müssen. Die patentierte integrierte Echtzeit-Debugging-Funktion verhindert, dass der Debugging-Prozess den Programmablauf beeinträchtigt, sodass das Debuggen während der Laufzeit der Anwendung möglich ist.
ROHM KI-Chip-Details (SoC mit integriertem KI-Lernbeschleuniger):
Der Prototyp des KI-Chips (Prototyp-Teilenummer BD15035) basiert auf einem integrierten Lernalgorithmus (dreischichtiger neuronaler Netzwerk-KI-Schaltkreis), der von Professor Matsutani der Keio-Universität entwickelt wurde. ROHM reduzierte den KI-Schaltkreis von 5 Millionen Gattern auf nur 20.000 (0,4 % der ursprünglichen Größe), um ihn als proprietären KI-Beschleuniger (AxlCORE-ODL) neu zu konfigurieren und zu vermarkten. Dieser wird von ROHMs hocheffizienter 8-Bit tinyMicon MatisseCORE™ CPU gesteuert und ermöglicht KI-Lernen und -Inferenz mit einem extrem niedrigen Stromverbrauch von nur wenigen zehn mW. Dadurch ist es möglich, numerische "Anomalieerkennungsergebnisse" für unbekannte Eingangsdatenmuster (z. B. Beschleunigung, Stromstärke, Helligkeit, Stimme) am Installationsort des Geräts auszugeben, ohne dass ein Cloud-Server benötigt wird oder ein vorheriges KI-Training erforderlich ist. Dies ermöglicht eine Echtzeit-Fehlervorhersage (vorausschauende Fehlersignalerkennung) durch KI vor Ort und hält gleichzeitig die Kosten für Cloud-Server und Kommunikation niedrig.
Zur Evaluierung des KI-Chips bieten wir ein Evaluierungsboard mit Arduino-kompatiblen Anschlüssen an. Ein Erweiterungsboard mit Sensoren kann für die Verbindung mit einem Arduino-Mikrocontroller (MCU) angeschlossen werden. Das Board verfügt über drahtlose Kommunikationsmodule (Wi-Fi und Bluetooth®) sowie einen 64-kbit-EEPROM. Durch den Anschluss von Sensoren und die Verbindung des Boards mit dem Zielgerät können Sie die Auswirkungen des KI-Chips auf einem Bildschirm überprüfen. Dieses Evaluierungsboard wird von der ROHM-Vertriebsabteilung bereitgestellt. Bitte kontaktieren Sie uns für weitere Informationen.
Demonstrationsvideo für den KI-Chip
Ein Demonstrationsvideo, das die Verwendung dieses KI-Chips mit dem Evaluierungsboard zeigt, ist verfügbar.
*Lernen direkt auf dem Gerät: Lernen und Inferenz erfolgen auf demselben KI-Chip.
*TinyMicon MatisseCORE™ ist eine Marke oder eingetragene Marke der ROHM Co.
*Bluetooth® ist eine Marke oder eingetragene Marke der Bluetooth SIG, Inc.
