Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
09 2020 Elektronik 3 Editorial KI auf MiniHArdware Neuronale Netzwerke gibt es in verschiedenen Größen und sind oft durch die Anzahl der MAC-Operationen oder den benötigten Speicher gekennzeichnet Größere Netzwerke bewältigen komplexere Arbeitslasten oder liefern genauere Ergebnisse als kleinere Ein neuronales Netzwerk für die Erkennung von Schlüsselwörtern benötigt z Bnur 1 1000 der Ressourcen einer Gesichtserkennung Die Speicherkapazität kann die Modellgröße einschränken Eine Möglichkeit ist die Reduzierung der Gewichtspräzision Ein Modell mit 50 000 Parametern benötigt 50 KB bei Verwendung von 8-Bit-Werten aber nur 25 KB bei 4-Bit-Werten Um KI-Anwendungen auf immer kleinen Controllern zu ermöglichen haben Hersteller und Forscher die TinyML Foundation gegründet Deren Forscher testen sogar noch kleinere Datentypen einschließlich binärer 1-Bit-Gewichte Kleinere Gewichte verringern die Ausgabegenauigkeit des Modells aber nicht so sehr wie man denken könnte Arm-CPUs unterstützen keine MAC-Operationen kleiner als 8 Bit sodass kleinere Datentypen Speicherplatz aber keine Energie sparen Herkömmliche CPUs sind relativ ineffizient für die großen Matrix-Multiplikationen die die KI-Schlussfolgerung durchführt DSPs mit breiten SIMD-Einheiten sind effizienter und dedizierte Deep-Learning-Beschleuniger DLAs können die Leistungsaufnahme noch weiter reduzieren Einige Lattice-FPGAs können binäre neuronale Netzwerke mit weniger als 10 mW ausführen NXP und STMicroelectronics entwickeln MCUs die mit dem Ethos-U55 DLA von Arm ausgestattet sind Der enorme Vorteil der Leistungseffizienz wird DLAs zu einer Voraussetzung für batteriebetriebene KI-Systeme machen Netzbetriebene MCUs können nach Schlüsselwörtern lauschen oder einfache Bildverarbeitungsanwendungen verarbeiten aber komplexere Aufgaben erfordern zwangsläufig DLAs MCUs welche neuronale Netzwerke betreiben profitieren von einem dedizierten Hardware-Beschleuniger Alle MCU-Anbieter sollten NXP und ST folgen und DLAs mangels Alternative von Arm einbauen >BROXING