技術創新通常會在幾十年內掀起改變人類生活的浪潮：電力、計算機、互聯網。最近的浪潮是人工智能 (AI)。自誕生以來，人工智能主要局限于大型計算平臺。然而，先進處理器技術和高效人工智能網絡的融合帶來了突破性創新，使人工智能可以在嵌入式系統中運行。這些系統通常配備專門的人工智能專用處理器和支持機器學習的傳感器，可實現前所未有的“邊緣”功能。
【導讀】技術創新通常會在幾十年內掀起改變人類生活的浪潮：電力、計算機、互聯網。最近的浪潮是人工智能 (AI)。自誕生以來，人工智能主要局限于大型計算平臺。然而，先進處理器技術和高效人工智能網絡的融合帶來了突破性創新，使人工智能可以在嵌入式系統中運行。這些系統通常配備專門的人工智能專用處理器和支持機器學習的傳感器，可實現前所未有的“邊緣”功能。
這些功能使預測性維護達到了新的水平。嵌入式人工智能加速技術可防患于未然，而無需人工參與。本文將介紹幾種可在邊緣實現人工智能算法的新型處理器技術。
嵌入式人工智能系統
支持人工智能的微控制器和 MEMS 傳感器是預測性維護人工智能革命的前沿。這些設備的特點是體積小、功耗低，并且能夠加速與人工智能相關的特定數學函數。傳統的嵌入式處理器與人工智能內核和/或傳感器模塊相結合，使設備能夠實時分析和響應現實世界中基于時間序列的數據。在時間序列數據應用中實現嵌入式人工智能有多種方法。但首先…
什么是針對時間序列數據的人工智能？
時間序列數據分析涉及了解數據中的模式、趨勢、異常和行為。人工智能可用于對未來值進行觀察或預測，從數據中提取真知灼見，為決策提供依據。這類分析可以使用人工智能網絡來完成，這就需要了解和選擇處理硬件。
在預測性維護、環境異常檢測、物聯網設備、多軸運動等應用中，時間序列數據可用于了解數據中的模式、趨勢和行為。利用卷積神經網絡、遞歸神經網絡、長短期記憶網絡和門控遞歸單元等人工智能算法，時間序列數據可用于檢測預期結果或異常結果。雖然這些機器學習算法可在通用硬件上執行，但使用帶有人工智能內核的處理器和/或傳感器可減少延遲并提高效率。
Nanoedge AI Studio 顯示來自電機控制應用程序的時間序列數據
具有機器學習功能的微控制器
例如，采用 32 位 Arm Cortex-M33 的 STMicroelectronics STM32L5 和 NXP MCX-A MCU 都適用于使用簡單人工智能網絡的嵌入式系統。雖然這些傳統的 Cortex-M 內核在處理傳感器數據和簡單的人工智能處理方面表現出色，但對于更復雜的機器學習任務，讓我們來看看集成了更多內核以進一步實現機器學習的微控制器。
圖形處理器 (GPU) 雖然 GPU 主要用于提高 2D（有時是 3D ）圖形性能，但越來越多的嵌入式人工智能應用將 GPU 與 Cortex-M MCU 結合使用。這些并行處理單元可用于深度學習算法，如卷積神經網絡 (CNN)，以完成圖像識別和物體檢測等任務。例如，STM32U5 采用 Cortex-M33 和 NeoChrome GPU，適合工業、智慧城市、智能家居和物聯網應用中的人機界面應用或嵌入式人工智能解決方案。
例如，NXP 的 MCX-N 結合了 Arm Cortex-M33 和定制的 eIQ 神經處理單元。Alif Semiconductor 的 Ensemble 系列是可用于工業應用的微控制器，將 Arm Cortex-M55 CPU 與 ARM Ethos-U55 神經處理單元實現的專用邊緣人工智能加速相結合。該系列可提供單 Cortex-M55 或雙 Cortex-M55、單 Ethos-U55 或雙 Ethos-U55，以及可選的一個或兩個 Cortex-A32 MPU 內核。
通過將人工智能任務卸載到 NPU，嵌入式系統可以實現實時神經網絡推理，同時節省功耗、體積和資源。
帶有嵌入式機器學習核心 (MLC) 的傳感器可以經過訓練，在檢測到特定事件時觸發操作，從而能夠精確檢測變化場景。這樣可以減少 MCU 的計算負荷，從而實現低功耗架構并提高系統效率。例如，LSM6DSV16BXTR 是一款帶有 3 軸加速計和 3 軸陀螺儀的 IMU，它采用 MLC 來實現人工智能功能。
結論
將人工智能應用于時間序列數據是一個令人興奮的發展領域，有可能為工業、醫療保健和消費應用增加智能。開發人工智能解決方案需要考慮很多因素，選擇處理器只是其中之一。
（文章來源：Arrow Solution，作者：George Dickey）
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
