產(chǎn)品中心 應用方案 技術文摘質量保證產(chǎn)品選型 下載中心業(yè)內動態(tài) 選型幫助 品牌介紹 產(chǎn)品一覽 聯(lián)系我們
- 自學習傳感器芯片不需要網(wǎng)絡
- 來源：賽斯維傳感器網(wǎng) 發(fā)表于 2020/9/2
研究新型機器學習網(wǎng)絡的科學家旨在將人工智能（AI）所需的一切都嵌入到處理器中，從而無需將數(shù)據(jù)傳輸?shù)皆苹蛴嬎銠C。
微小的智能微電子應被用于在芯片上執(zhí)行盡可能多的傳感器處理，而不是通過將通常不需要，重復的原始數(shù)據(jù)發(fā)送到云或計算機來浪費資源�？梢赃@么說，新的機器學習網(wǎng)絡背后的科學家旨在將人工智能（AI）所需的一切都嵌入到處理器中。
“這為從傳感器數(shù)據(jù)的實時評估開始的許多新應用打開了大門，” 弗勞恩霍夫微電子電路與系統(tǒng)研究所 在其網(wǎng)站上說。從不發(fā)送任何多余數(shù)據(jù)的延遲，再加上快速的處理，從理論上講意味著零延遲。
另外，在微處理器上的自學習功能意味著嵌入式或傳感器設備可以自校準。該研究所稱，它們甚至可以“完全重新配置以隨后執(zhí)行完全不同的任務”�！熬哂胁煌蝿盏那度胧较到y(tǒng)是可能的�！�
通過網(wǎng)絡發(fā)送的許多物聯(lián)網(wǎng)（IoT）數(shù)據(jù)是多余的，并且浪費資源：例如，每10分鐘讀取一次溫度讀數(shù)，例如在環(huán)境溫度不變的情況下。實際上，人們僅需要知道溫度何時改變，也許只有在達到閾值時才知道。
神經(jīng)網(wǎng)絡傳感器芯片
這家德國商業(yè)研究機構表示，它正在開發(fā)一種特殊的RISC-V微處理器，該處理器具有專用的硬件加速器，該硬件加速器是為已開發(fā)的腦復制人工神經(jīng)網(wǎng)絡（ANN）設計的。該架構最終可能適合于狀態(tài)監(jiān)測或預測傳感器，這種類型的傳感器我們可能會在工業(yè)物聯(lián)網(wǎng)（IIoT）中看到更多。
弗勞恩霍夫IMS 嵌入式系統(tǒng)人工智能（AIfES）的關鍵 在于，自學習是在芯片級別而不是在云或計算機上進行的，并且獨立于“與云或功能強大且資源豐富的連接”。饑餓的處理實體�！� 但它仍然提供“完整的AI機制，例如獨立學習”
Fraunhofer IMS表示，這是“分散式AI”。“它不專注于大數(shù)據(jù)處理�！�
實際上，對于此類系統(tǒng)，如果確實需要，則原始數(shù)據(jù)實際上不需要連接，僅需要分析后結果即可。成群結隊甚至可以代替它。群策群力使傳感器彼此交談，共享相關信息，而無需涉及主機網(wǎng)絡。
Fraunhofer IMS說：“有可能通過小型的自適應系統(tǒng)構建網(wǎng)絡，這些系統(tǒng)之間可以共享任務。”
分散式神經(jīng)網(wǎng)絡的其他好處包括它們比云更安全。因為所有處理都是在微處理器上進行的，所以“不需要傳輸敏感數(shù)據(jù)”，F(xiàn)raunhofer IMS解釋說。
其他邊緣計算研究
并非只有弗勞恩霍夫大學的研究人員相信整個網(wǎng)絡對于神經(jīng)元，像大腦一樣的AI芯片會變得多余。賓漢姆頓大學和佐治亞理工學院正在研究類似的面向邊緣的技術。
賓厄姆頓去年在寫有關大學的工作時在其網(wǎng)站上說：“我們的想法是讓這些芯片能夠完成芯片中的所有功能，而不是通過某種大型服務器來回傳遞消息�！�
無需進行主要通信鏈接的優(yōu)勢之一：您不僅不必擔心互聯(lián)網(wǎng)的彈性，還可以節(jié)省創(chuàng)建鏈接的能量。能源效率是傳感器領域的野心-更換電池既耗時，昂貴，有時在偏遠地區(qū)也非常困難。
無需為在數(shù)據(jù)中心或其他類似地點等待傳輸?shù)拇罅吭紨?shù)據(jù)提供內存或存儲，也無需在源頭進行處理，因此可以將其丟棄。
- 如果本文收錄的圖片文字侵犯了您的權益，請及時與我們聯(lián)系，我們將在24內核實刪除，謝謝！
