Der durch ein neuronales Netzwerk beschleunigte Mikrocontroller MAX78000 von Maxim Integrated bringt künstliche Intelligenz (KI) ohne Leistungseinbußen bei batteriebetriebenen IoT-Geräten (Internet of Things) an den Rand. Durch die Ausführung von KI-Schlussfolgerungen mit weniger als 1/100 der Energie von Softwarelösungen wird die Laufzeit für batteriebetriebene KI-Anwendungen erheblich verbessert, während komplexe neue KI-Anwendungsfälle ermöglicht werden, die bisher als unmöglich galten. Diese Leistungsverbesserungen gehen keine Kompromisse bei Latenz oder Kosten ein: Der MAX78000 führt Schlussfolgerungen 100-mal schneller aus als Softwarelösungen, die auf Mikrocontrollern mit geringem Stromverbrauch ausgeführt werden, zu einem Bruchteil der Kosten von FPGA- oder GPU-Lösungen.
Mit der KI-Technologie können Maschinen sehen und hören und die Welt auf bisher unpraktische Weise verstehen. In der Vergangenheit bedeutete das Bringen von KI-Schlussfolgerungen an den Rand, Daten von Sensoren, Kameras und Mikrofonen zu sammeln, diese Daten an die Cloud zu senden, um eine Inferenz auszuführen, und dann eine Antwort an den Rand zurückzusenden. Diese Architektur funktioniert, ist jedoch aufgrund der geringen Latenz und Energieeffizienz für Edge-Anwendungen sehr schwierig. Alternativ können Mikrocontroller mit geringem Stromverbrauch verwendet werden, um einfache neuronale Netze zu implementieren. Die Latenz leidet jedoch und nur einfache Aufgaben können am Rand ausgeführt werden.
Durch die Integration eines dedizierten neuronalen Netzwerkbeschleunigers in ein Paar Mikrocontrollerkerne überwindet der MAX78000 diese Einschränkungen und ermöglicht es Maschinen, komplexe Muster mit lokaler KI-Verarbeitung mit geringem Stromverbrauch zu sehen und zu hören, die in Echtzeit ausgeführt wird. Anwendungen wie Bildverarbeitung, Audio und Gesichtserkennung können effizienter gestaltet werden, da der MAX78000 Schlussfolgerungen mit weniger als 1/100 der von einem Mikrocontroller benötigten Energie ausführen kann. Das Herzstück des MAX78000 ist spezielle Hardware, die den Energieverbrauch und die Latenz von Faltungs-Neuronalen Netzen (CNN) minimiert. Diese Hardware wird mit minimalem Eingriff von jedem Mikrocontrollerkern ausgeführt, wodurch der Betrieb extrem rationalisiert wird. Energie und Zeit werden nur für die mathematischen Operationen verwendet, die eine CNN implementieren.Um Daten aus der Außenwelt effizient in die CNN-Engine zu übertragen, können Kunden einen der beiden integrierten Mikrocontrollerkerne verwenden: den Arm® Cortex®-M4-Kern mit extrem geringem Stromverbrauch oder den RISC-V-Kern mit noch geringerem Stromverbrauch.
Die KI-Entwicklung kann eine Herausforderung sein, und Maxim Integrated bietet umfassende Tools für eine nahtlosere Evaluierungs- und Entwicklungserfahrung. Das MAX78000EVKIT # enthält Audio- und Kameraeingänge sowie sofort einsatzbereite Demos für die Erkennung großer Vokabeln und die Gesichtserkennung. Die vollständige Dokumentation hilft Ingenieuren dabei, Netzwerke für den MAX78000 in den Tools zu trainieren, die sie gewohnt sind: TensorFlow oder PyTorch.
Hauptvorteile
- Niedrige Energie: Hardwarebeschleuniger in Verbindung mit Arm M4F- und RISC-V-Mikrocontrollern mit extrem geringem Stromverbrauch bringen die Intelligenz mit weniger als 1/100 der Energie an den Rand im Vergleich zu den am besten geeigneten eingebetteten Lösungen der Konkurrenz.
- Geringe Latenz: Führt KI-Funktionen am Rande aus, um komplexe Erkenntnisse zu gewinnen. So können IoT-Anwendungen Cloud-Transaktionen reduzieren oder eliminieren und die Latenz im Vergleich zu Software um das 100-fache reduzieren.
- Hohe Integration: Der stromsparende Mikrocontroller mit Beschleuniger für neuronale Netze ermöglicht komplexe Einblicke in batteriebetriebene IoT-Geräte in Echtzeit.
Verfügbarkeit und Preisgestaltung
- Der MAX78000 ist bei autorisierten Händlern erhältlich. Preise auf Anfrage erhältlich.
- Das Evaluierungskit MAX7800EVKIT # ist für 168 USD erhältlich.
- Weitere Informationen zu den Lösungen für künstliche Intelligenz von Maxim Integrated finden Sie unter