Réseau neuronal IA à trois couches intégré sur MCU
Rohm a mis au point un microcontrôleur doté d’une fonction d’intelligence artificielle, qu’il affirme être le premier à offrir une formation sur puce.
Les composants ML63Q253 et Q255 sont destinés à la prédiction des défauts et des anomalies et à la prévision de la dégradation à l’aide de données de détection dans des applications telles que les moteurs dans des applications industrielles et grand public.
Les composants sont basés sur un cœur ARM Cortex-M0+ de 32 bits ainsi que sur un cœur d’accélérateur d’intelligence artificielle matériel avec un contrôleur CAN FD, une commande de moteur triphasé PWM et deux convertisseurs A/N. Ils ont une consommation d’énergie d’environ 40 mW.
Les modèles d’Edge AI dépendent généralement de la connectivité réseau et de processeurs hautes performances, qui peuvent être coûteux et difficiles à installer. L’IA edge effectue la formation dans le cloud et réalise l’inférence sur des appareils locaux, ce qui nécessite toujours une connexion réseau. Ces modèles effectuent généralement l’inférence par le biais de logiciels, ce qui nécessite l’utilisation de GPU ou de CPU hautes performances.
Au lieu de cela, Rohm a mis en œuvre un simple algorithme de réseau neuronal à trois couches pour mettre en œuvre son modèle propriétaire Solist-AI fonctionnant sur le cœur d’accélérateur AxlCORE-ODL pour effectuer l’apprentissage et l’inférence de manière indépendante, sans avoir besoin de connexion au cloud ou au réseau.
Il prend en charge l’apprentissage non supervisé, l’entraînement sur les données du moteur pour créer la base de référence et surveiller les écarts, ainsi que l’apprentissage supervisé qui met en évidence les anomalies potentielles.
- L’accélérateur d’IA met l’IA générative à la portée du Raspberry Pi 5
- L’architecture IA du GPU Imagination E-series
- Accélérateur de pointe pour l’IA générative
Cette combinaison permet aux MCU d’effectuer indépendamment l’apprentissage et l’inférence par le biais de l’apprentissage sur l’appareil, ce qui élimine la nécessité d’une formation en nuage qui peut être complexe et coûteuse. L’apprentissage sur puce permet également une adaptation souple aux différents environnements d’installation et aux variations d’une unité à l’autre, même au sein d’un même modèle d’équipement.
Un outil de simulation d’IA appelé Solist-AI Sim permet aux utilisateurs d’évaluer l’efficacité de l’apprentissage et de l’inférence avant de déployer le microcontrôleur d’IA. Les données générées par cet outil peuvent également fournir des données pour la formation supervisée de l’unité MCU IA, ce qui permet de valider et d’améliorer la précision de l’inférence.
L’accélérateur matériel AxlCORE-ODL permet un traitement 1000 fois plus rapide que les précédents MCU à logiciel fonctionnant à 12 MHz. Cela permet la détection en temps réel et la sortie numérique des anomalies qui s’écartent de la ligne de base mesurée.
Rohm prévoit 16 composants avec des tailles de mémoire, des types de boîtiers, des nombres de broches et des spécifications de packaging différents. La production de masse de huit modèles en boîtier TQFP a commencé de manière séquentielle en février 2025 avec deux modèles dotés d’une mémoire Code Flash de 256 Ko et d’un conditionnement en ruban, et il existe une carte d’évaluation pour ces composants.
www.rohm.com/lapis-tech/product/micon/solistai-software
Si vous avez apprécié cet article, vous aimerez les suivants : ne les manquez pas en vous abonnant à :
