智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
智能控制
機器人
儀器儀表
物聯網
3D打印
工業軟件
回放
預告
品牌
其他品牌
有分析人士指出，此類AI系統的痛點，就是需要耗費大量的電力來運算、或者依賴通向云端的網絡連接來輔助計算。對于注重數據安全和隱私防護的客戶來說，這也大大地限制了AI的應用場景。
好消息是，CESM工程師們，剛剛提出了一個新穎的解決方案——讓AI運算能夠在基于微型電池(或光伏發電板)的本地小尺寸裝置上運行。
這套人工智能邊緣計算方案，能夠將數據留在本地完成(而無需上傳到云端)。更棒的是，該系統采用了完全模塊化的設計，且能夠針對需要實時信號/圖像處理的任何應用進行定制——尤其在涉及敏感數據時。
據悉，CESM研究團隊將在今年6月于京東舉辦的2021 VLSI電路研討會上展示現有的裝置，上面的集成電路能夠執行復雜的AI操作，比如面部/語音/手勢識別，以及心臟監測。
CSEM的AI片上系統(SoC)還另了全新的信號處理架構，能夠較大限度地減少運行時的功率。
板載帶有自研RISC-V處理器的ASIC芯片，以及兩個緊密耦合的機器學習加速器——其中一個用于面部檢測，另一個則專注于分類。
在二叉決策樹(BDT)引擎的加持下，它可用于執行簡單的任務，但不能開展識別操作。
CESM片上系統研究主管Stéphane Emery表示：“以面部識別應用為例，系統中的第一組加速器會回答初步的問題，即圖像中是否有人？如有檢出，則他們的面部是否清晰可見？”
此外在語音識別案例中，第一個加速器可用于確定是否存在噪音、以及該噪聲是否與人聲匹配，但它并不能分辨出特定的聲音或單詞，此時基于卷積神經網絡(CNN)引擎的第二組加速器能夠派上用場。
它能夠執行更加復雜的任務，比如識別人物面孔的特征、以及檢測特定的單詞，但相應的能耗也更高。
通過兩者的相輔相成，可最終降低整套系統的功率需求，畢竟大多數時候都只有第一組加速器在運行。
作為研究的一部分，工程師們還提升了加速器本身的性能，使之能夠適用于基于時間信號/圖像處理的任何應用。
Stéphane Emery補充道：“無論何種應用，我們的系統都以基本相同的方式來運作，所以只需重新配置卷積神經網絡引擎的對應層”。
顯然，CSEM的這項創新，為配備可獨立運行一年多的AI硬件設計敞開了新的大門，同時大大降低了此類設備的安裝和維護成本，尤其是部署到那些難以更換電池的地方。
(原標題：CSEM工程師打造可依賴太陽能運行的低功耗AI片上系統)
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
