发布时间:2021-01-11 阅读量:712 来源: 电子工程网 发布人: Viva
人工智能(AI)是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。
但随着AI从云到边缘的发展,使得这一观点正在迅速改变,AI计算引擎使MCU能够突破嵌入式应用可能的极限,嵌入式设计已经能够提高网络攻击的实时响应能力和设备安全性。
支持AI的MCU
云计算推动了对具有AI功能的MCU的需求;它减少了数据传输所需的带宽,并节省了云服务器的处理能力,如下图
配备AI算法的MCU正在应用包含对象识别,启用语音服务和自然语言处理等功能的应用程序。它们还有助于提高物联网(IoT),可穿戴设备和医疗应用中电池供电设备的准确性和数据隐私性。
那么,MCU如何在边缘和节点设计中实现AI功能?下面简要介绍了三种基本方法,这些方法使MCU能够在IoT网络边缘执行AI加速。
三个MCU + AI场合
第一种方法(可能是最常见的方法)涉及各种神经网络(NN)框架(例如Caffe 2,TensorFlow Lite和Arm NN)的模型转换,用于在MCU上部署云训练的模型和推理引擎。有一些软件工具可以从云中获取经过预训练的神经网络,并通过将其转换为C代码来针对MCU进行优化。
在MCU上运行的优化代码可以在语音,视觉和异常检测应用程序中执行AI功能。工程师可以将这些工具集下载到MCU配置中,并运行优化神经网络的推论。这些AI工具集还提供了基于神经网络的AI应用程序的代码示例。
AI执行模型转换工具可以在低成本和低功耗MCU上运行优化神经网络的推论,如下图所示。
第二种方法是绕过了对从云借用的预训练神经网络模型的需求,设计人员可以将AI库集成到微控制器中,并将本地AI培训和分析功能纳入其代码中。
随后开发人员可以基于从边缘的传感器,麦克风和其他嵌入式设备获取的信号来创建数据模型,并运行诸如预测性维护和模式识别之类的应用程序。
第三种方法是AI专用协处理器的可用性使MCU供应商能够加快机器学习功能的部署。诸如Arm Cortex-M33之类的协处理器利用了诸如CMSIS-DSP之类的流行API来简化代码的可移植性,从而使MCU与协处理器紧密耦合,可加快AI功能,如协处理相关和矩阵运算。
霍尔电流传感器结合了阻抗性分流器、互感器的优点,既可以应用于电气隔离测量,又可以用于检测直流、交流、并且可以检测到电流的瞬态峰值,且兼具精度高、体积小及可靠性高等特点,在电力电子设备性能检测方面及自动化领域等方面被广泛的应用。
充电桩作为电动汽车的能量补给装置,其充电性能关系到电池组的使用寿命、充电时间。充电桩电路设计需要考虑的因素包括安全性、可靠性、高效性和节能性。快包分析师总结了7条充电桩电路设计要点,同时,针对充电桩应用场景推荐基于龙芯LS1C300/LS1C103充电桩核心板与基于小华半导体HC32F334充电桩DC/DC方案。
AI大模型产品推动了数据中心的结构升级,数据存储和传输的需求相比以往倍速增长,数据中心的数据传输速率的要求也随着应用逐步升级。作为光通信产业链上的核心产品之一的光模块,尤其是高速光模块(100G、400G、800G等),其需求将在未来几年迎来暴增。工程师在进行选型设计时,需要综合考量各种因素并根据实际场景选择合适的光模块,快包分析师总结了8条光模块选型考量因素。同时,针对高速光模块应用推荐小华半导体HC32F472系列MCU。
由电子工程领域中全球领先的技术媒体机构AspenCore主办的2024国际集成电路展览会暨研讨会(IIC Shanghai)今日在上海张江科学会堂盛大开幕。大会为期两天,作为中国具影响力的IC和系统设计盛会,以产业峰会、技术研讨、产品和技术展示、权威发布等形式,推动半导体产业链上下游交流与合作。
在诊断仪器中,有源晶振可以作为主钟信号源,控制仪器的工作周期