Mikrokontrolery wyposażone w sztuczną inteligencję bez połączenia z siecią
Sztuczna interligencja bez żadnego połączenia z siecią? ROHM zaprezentował nowatorski mikrokontroler, zdolny między innymi do przewidywania anomalii pracy sprzętu poprzez samodzielne uczenie się i wnioskowanie, bez korzystania z zasobów sieciowych.
ROHM zaprezentował mikrokontrolery wyposażone w sztuczną inteligencję o oznaczeniach ML63Q253x-NNNxx / ML63Q255x-NNNxx, umożliwiające przewidywanie usterek i prognozowanie degradacji urządzeń przemysłowych, takich jak przykładowo silniki. Wyróżniającą cechą nowej rodziny mikrokontrolerów jest zdolność do niezależnego uczenia się i wnioskowania bez dostępu do sieci.
W miarę jak rośnie świadomość roli niezawodnej pracy sprzętu i maszyn, kluczowymi wyzwaniami stały się wczesne wykrywanie awarii i wyprzedzająca anomalie konserwacja. Producenci sprzętu poszukują rozwiązań, które umożliwiają monitorowanie stanu operacyjnego w czasie rzeczywistym, jednocześnie unikając wad wynikłych z opóźnień sieciowych i zagrożeń cyberbezpieczeństwa. Standardowe modele AI zazwyczaj zależą jednak od łączności sieciowej i wydajnych procesorów, co może być kosztowne i trudne w instalacji. W odpowiedzi na opisane wyzwania ROHM opracował innowacyjne mikrokontrolery AI, które umożliwiają samodzielne uczenie się AI i wnioskowanie bezpośrednio na krawędzi. Nowe produkty wykorzystują prosty algorytm 3-warstwowej sieci neuronowej, oznaczone przez ROHM brandem Solist-AI.
Solist-AI to rozwiązanie AI na urządzeniu firmy ROHM przeznaczone do zastosowań w przetwarzaniu brzegowym. Czerpiąc inspirację z muzycznego terminu Solist, to innowacyjne rozwiązanie umożliwia naukę w czasie rzeczywistym i wnioskowanie bezpośrednio na samodzielnych urządzeniach brzegowych, bez polegania na serwerach w chmurze.
Rozwiązanie to umożliwia mikrokontrolerom niezależne uczenie się i wnioskowanie, bez potrzeby połączenia z chmurą lub siecią. Modele przetwarzania AI są generalnie klasyfikowane do trzech typów: AI oparte na chmurze, brzegowe i końcowe (cloud-based, edge oraz endpoint). AI oparte na chmurze wykonuje zarówno szkolenie, jak i wnioskowanie w chmurze, podczas gdy AI brzegowe wykorzystuje kombinację systemów w chmurze i na miejscu (wymaga to wciąż połączenia z siecią). Typowa AI typu endpoint przeprowadza szkolenie w chmurze i wykonuje wnioskowanie na urządzeniach lokalnych, również więc wymaga połączenia sieciowego. Ponadto te modele zazwyczaj wykonują wnioskowanie za pośrednictwem oprogramowania, co wymaga użycia wydajnych procesorów GPU/CPU.
W przeciwieństwie do tego mikrokontrolery AI firmy ROHM (chociaż klasyfikowane jako AI punktu końcowego), mogą niezależnie wykonywać zarówno uczenie się, jak i wnioskowanie na urządzeniu brzegowym. Pozwala to na elastyczną adaptację do różnych środowisk instalacyjnych i zmian między jednostkami. Wyposażone w zastrzeżony akcelerator AI firmy ROHM o nazwie AxlCORE-ODL, dzięki któremu opisywane mikrokontrolery zapewniają około 1.000 razy szybsze działanie AI w porównaniu z konwencjonalnymi mikrokontrolerami ROHM opartymi na oprogramowaniu, umożliwiając wykrywanie anomalie w czasie rzeczywistym. Ponadto możliwe jest szybkie uczenie się w miejscu instalacji, co czyni je idealnymi do modernizacji sprzętu już funkcjonującego w procesie produkcyjnym.
Mikrokontrolery AI są wyposażone w 32-bitowy rdzeń Arm Cortex-M0+ (maksymalna częstotliwość robocza: 48 MHz), kontroler CAN FD, 3-fazowy układ sterowania silnikiem PWM i podwójne przetworniki analogowo-cyfrowe, co zapewnia niskie zużycie energii wynoszące około 40 mW. Dzięki temu urządzenia te idealnie nadają się do przewidywania usterek i wykrywania anomalii w sprzęcie przemysłowym, obiektach mieszkalnych i urządzeniach domowych. W ofercie znajdzie się 16 produktów o różnych rozmiarach pamięci, typach obudów, liczbie pinów i specyfikacjach opakowań. Masowa produkcja 8 modeli w obudowie TQFP rozpoczęła się w lutym 2025 roku. Wśród nich dwa modele z 256 KB pamięci Flash Code są dostępne do kupienia na taśmie wraz z płytką ewaluacyjną MCU. Ponadto ROHM udostępnił na swojej stronie internetowej narzędzie do symulacji AI (Solist-AI Sim), które umożliwia użytkownikom ocenę skuteczności uczenia się i wnioskowania przed wdrożeniem mikrokontrolera AI. Dane generowane przez to narzędzie mogą również służyć jako dane treningowe dla rzeczywistego mikrokontrolera AI, wspierając walidację przed wdrożeniem i poprawiając dokładność wnioskowania.
Zapraszamy na TEK.day Gdańsk, 11 września 2025. Zapisz się tutaj!
