Kunstmatige intelligentie in batterijgevoede IoT-apparaten

Deze verbeteringen komen zonder concessies te doen aan latentie of kosten: de MAX78000 voert operaties 100 maal sneller uit dan software-oplossingen die op low-power microcontrollers draaien, en dat tegen een fractie van de kosten van FPGA- of GPU-oplossingen. AI-technologie stelt machines in staat om te zien en te horen en de wereld te begrijpen op manieren die voorheen in de praktijk onhaalbaar waren. In het verleden betekende het naar de edge brengen van AI-bewerkingen het verzamelen van gegevens van sensoren, camera’s en microfoons, die gegevens naar de cloud sturen om conclusies te trekken en vervolgens een antwoord terugsturen naar de edge. Deze opzet werkt, maar is erg moeilijk voor edge-applicaties vanwege de slechte latentie- en verbruiksprestaties. Als alternatief kunnen low-power microcontrollers worden gebruikt om eenvoudige neurale netwerken te implementeren; de latentie lijdt daar echter onder en alleen eenvoudige taken kunnen aan de edge worden uitgevoerd. Door een speciale neurale netwerk-versneller te integreren met een tweetal microcontroller-cores, overwint de MAX78000 deze beperkingen, waardoor machines complexe patronen kunnen zien en horen met lokale, energiezuinige real-time AI-verwerking. Toepassingen zoals machine vision, audio- en gezichtsherkenning kunnen efficiënter worden uitgevoerd, aangezien de MAX78000 operaties kan uitvoeren met minder dan 1% van de energie die een microcontroller nodig heeft. De kern van de MAX78000 wordt gevormd door gespecialiseerde hardware die is ontworpen om het energieverbruik en de latentie van convolutionele neurale netwerken (CNN) te minimaliseren. Deze hardware werkt met minimale tussenkomst van elke microcontroller-kern, waardoor de werking extreem gestroomlijnd is. Energie en tijd worden alleen gebruikt voor de wiskundige bewerkingen die een CNN implementeren. Om gegevens van de buitenwereld efficiënt in de CNN-engine te krijgen, kan een van de twee geïntegreerde microcontroller-kernen worden gebruikt: de ultra-low-power Arm Cortex-M4-kern of de nog zuiniger RISC-V-kern.