Всемирно известный производитель полупроводников ROHM (со штаб-квартирой в Киото, Япония) разработал микросхему ИИ для обучения на устройстве* (систему на кристалле, оснащенную ускорителями ИИ для обучения на устройстве). Прогнозирование отказа электронных устройств, таких как встроенные двигатели и датчики, в режиме реального времени (обнаружение признаков отказа), идеальное решение для периферийных вычислительных устройств и конечных точек в области Интернета вещей*1

Обычно, чтобы ИИ-чип мог реализовать свою функцию, ему необходимо выполнить «обучение», чтобы установить стандарты суждений, и «вывод», чтобы определить, как с ним обращаться на основе полученной информации. В этом случае для «обучения» необходимо собрать огромное количество данных для формирования базы данных и ее обновления в любой момент. Следовательно, ИИ-чип для обучения должен иметь высокую вычислительную мощность, и соответственно возрастет его энергопотребление. Из-за этого высокопроизводительные и дорогие чипы ИИ, разработанные для устройств облачных вычислений, появляются бесконечным потоком, в то время как маломощный ИИ с обучением на устройстве подходит для периферийных вычислительных устройств и конечных точек (ключ к построению общества IoT). эффективно). Разработка чипа затруднена.

Чип ИИ, разработанный на этот раз, основан на «алгоритме обучения на стороне устройства», разработанном профессором Мацутани из Университета Кейо, Япония, и представляет собой ускоритель ИИ*2 (специальную аппаратную вычислительную схему ИИ) и 8-разрядный высокоэффективный процессор ROHM. для коммерческой разработки. TInyMicon MaTIsseCORE™ (далее именуемый «MaTIsse»)». Комбинируя 20 000 сверхмалых ускорителей искусственного интеллекта с высокоэффективными процессорами, можно достичь обучения и логического вывода при сверхнизком энергопотреблении, составляющем всего несколько десятков мВт (всего 1/1000 мВт). предыдущих обучающих чипов ИИ). С помощью этого продукта неизвестные входные данные и шаблоны могут быть преобразованы в «другие» значения и выведены на терминал устройства без подключения к облачному серверу, поэтому во многих приложениях может быть реализовано прогнозирование неисправностей в реальном времени. .

В будущем ROHM планирует применить ускоритель ИИ этого чипа ИИ к продуктам ИС, чтобы реализовать прогнозирование неисправностей двигателей и датчиков. Продукт планируется запустить в 2023 году и запустить в серийное производство в 2024 году.

Профессор Хироки Мацутани, кафедра информационной инженерии, факультет науки и технологий Университета Кейо, Япония, сказал: «С развитием технологий Интернета вещей, таких как связь 5G и цифровой двойник*3, требования к облачным вычислениям становятся все выше и выше. Данные нереальны с точки зрения нагрузки, стоимости и энергопотребления. «Обучение на стороне устройства», которое мы исследуем, и «алгоритм обучения на стороне устройства», который мы разрабатываем, призваны повысить эффективность обработки данных на периферии и создать лучшее общество IoT. На этот раз наша школа еще больше улучшила технологию схемы обучения на стороне устройства благодаря совместным исследованиям с ROHM и, как ожидается, выпустит продукты экономически эффективным способом.Мы ожидаем, что в ближайшем будущем этот прототип чипа ИИ будет успешно внедрен в продуктах ROHM In IC мы будем способствовать реализации более эффективного общества IoT».