Os chips de IA normalmente realizam aprendizagem e inferência para executar funções de inteligência artificial. Uma vez que a aprendizagem requer a captura de uma grande quantidade de dados, a sua compilação numa base de dados e a sua atualização conforme necessário, o chip de IA que realiza a aprendizagem exige um poder computacional considerável, o que consome necessariamente uma quantidade significativa de energia. Até à data, tem sido difícil desenvolver chips de IA capazes de aprender em tempo real, consumindo energia mínima, permitindo que os computadores de edge e os dispositivos finais construam um ecossistema IoT eficiente.
Baseado num "algoritmo de aprendizagem no dispositivo" desenvolvido pelo Professor Matsutani da Universidade Keio, o novo chip de IA desenvolvido pela ROHM consiste principalmente num acelerador de IA (um circuito de hardware dedicado à IA) e no CPU de 8 bits altamente eficiente 'tinyMicon MatisseCORE™' da ROHM. A combinação do acelerador de IA ultracompacto de 20.000 portas com um CPU de alto desempenho permite a aprendizagem e inferência com um consumo de energia ultrabaixo, de apenas algumas dezenas de mW (1.000 vezes inferior ao dos chips de IA convencionais capazes de aprendizagem). Isto possibilita a previsão de falhas em tempo real numa vasta gama de aplicações, uma vez que os "resultados de deteção de anomalias (pontuações de anomalia)" podem ser gerados numericamente para dados de entrada desconhecidos no local de instalação do equipamento, sem a necessidade de um servidor na nuvem.
No futuro, a ROHM planeia incorporar o acelerador de IA utilizado neste chip de IA em diversos circuitos integrados para motores e sensores. A comercialização está prevista iniciar-se em 2023, estando a produção em massa prevista para 2024.
Professor Hiroki Matsutani, Departamento de Ciência da Informação e Computação, Universidade Keio, Japão
: “Com o avanço das tecnologias IoT, como a comunicação 5G e os gémeos digitais, a computação em nuvem precisará de evoluir, mas processar todos os dados em servidores na nuvem nem sempre é a melhor solução em termos de carga, custo e consumo de energia. Com a aprendizagem em dispositivos que investigamos e os algoritmos de aprendizagem em dispositivos que desenvolvemos, procuramos alcançar um processamento de dados mais eficiente na borda para construir um ecossistema de IoT melhor. Através desta colaboração, a ROHM mostrou-nos o caminho para a comercialização com custo-benefício, fazendo avançar a tecnologia de circuitos de aprendizagem em dispositivo.
Sobre o tinyMicon MatisseCORE™:
O tinyMicon MatisseCORE™ (Matisse: unidade microaritmética sequenciadora de tamanho reduzido) é o CPU proprietário de 8 bits da ROHM, desenvolvido para tornar os circuitos integrados analógicos mais inteligentes para o ecossistema IoT. Um conjunto de instruções otimizado para aplicações incorporadas, juntamente com a mais recente tecnologia de compilador, oferece um processamento aritmético rápido numa área de chip e tamanho de código de programa mais pequenos. Suporta também aplicações de alta fiabilidade, como as que exigem qualificação de acordo com as normas de segurança funcional de veículos ISO 26262 e ASIL-D, enquanto a função patenteada de "depuração em tempo real" integrada impede que o processo de depuração interfira com o funcionamento do programa, permitindo que a depuração seja realizada enquanto a aplicação está em execução.
Detalhes do Chip de IA da ROHM (SoC com Acelerador de IA de Aprendizagem Integrada)
O protótipo de chip de IA (n.º de peça do protótipo BD15035) baseia-se num algoritmo de aprendizagem integrado (circuito de IA de rede neural de três camadas) desenvolvido pelo Professor Matsutani da Universidade Keio. A ROHM reduziu o circuito de IA de 5 milhões de portas lógicas para apenas 20.000 (0,4% do tamanho) para o reconfigurar e comercializar como um acelerador de IA proprietário (AxlCORE-ODL) controlado pelo CPU tinyMicon MatisseCORE™ de 8 bits altamente eficiente da ROHM, permitindo a aprendizagem e inferência de IA com um consumo de energia ultrabaixo de apenas algumas dezenas de mW. Isto permite gerar "resultados de deteção de anomalias" numéricos para padrões de dados de entrada desconhecidos (i.e. aceleração, corrente, brilho, voz) no local onde o equipamento está instalado, sem envolver um servidor na nuvem ou exigir aprendizagem prévia de IA, permitindo a previsão de falhas em tempo real (deteção preditiva de sinais de falha) por IA no local, mantendo os custos de servidor na nuvem e de comunicação baixos.
Para avaliar o chip de IA, oferecemos uma placa de avaliação equipada com terminais compatíveis com Arduino. Uma placa de expansão de sensores pode ser ligada a esta placa para ligação a um microcontrolador Arduino (MCU). A placa inclui módulos de comunicação sem fios (Wi-Fi e Bluetooth®) juntamente com uma EEPROM de 64 kbits. Ao ligar os sensores e ligar a placa ao dispositivo alvo, pode verificar os efeitos do chip de IA num ecrã. Esta placa de avaliação será fornecida pelo departamento de vendas da ROHM. Entre em contacto connosco para obter mais informações.
Vídeo de demonstração do chip de IA
Está disponível um vídeo de demonstração que mostra este chip de IA a ser utilizado com a placa de avaliação.
*Aprendizagem no dispositivo: Execução de aprendizagem e inferência no mesmo chip de IA.
*TinyMicon MatisseCORE™ é uma marca comercial ou marca comercial da ROHM Co.
*Bluetooth® é uma marca comercial ou marca comercial da Bluetooth SIG, Inc.
