Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
15 -16 2023 Elektronik 29 EmbEddEd-SyStEmE durchzuführen während sie gleichzeitig wenig Leistung aufnehmen Tabelle 1 Zwar können preiswerte SBCs nicht mit den Rechenleistungen von PCs mithalten das ist jedoch nicht zwingend erforderlich Viele KI-Modelle lassen sich so optimieren dass sie trotz begrenzter Ressourcen anspruchsvolle Aufgaben erfüllen können Mit dem geschickten Anpassen der KI-Modelle an die begrenzten Ressourcen von eingebetteten Systemen können sie mit geringer Leistungsaufnahme und minimaler Datenverarbeitung effektiv arbeiten So lässt sich ein leistungsfähiges KI-System mit Ressourceneffizienz und Datensparsamkeit kombinieren Energieund Ressourceneffizienz Aus Tabelle 1 ist ersichtlich dass man für den Preis eines PCs rund 50 Arduino-Boards bekommt – die zusammen etwa die halbe Leistungsaufnahme des PCs haben Gerade eine geringe Leistungsaufnahme ist ein wichtiges Kriterium für Geräte und Systeme die aus dezentralen Energiequellen wie Solarzellen Batterien oder Akkus versorgt werden Entscheidend hierbei ist der sparsame Umgang mit Daten und zwar aus folgenden Gründen ➔ ➔ Beschränkte Ressourcen Eingebettete Systeme sind sparsam ausgestattet und daher in aller Regel nicht in der Lage große Datenmengen zu speichern oder zu verarbeiten Entsprechend kommen hier ML-Modelle zum Einsatz welche selbst wenig Speicherplatz be nötigen und mit vergleichsweise kleinen Datensätzen effektiv arbeiten können Hier sei angemerkt dass für eine effiziente Zustandsüberwachung teilweise ein sehr tiefes Systemverständnis erforderlich ist um die relevanten Daten zu identifizieren und die für eine sinnvolles Auswerten minimal erforderliche Datenrate festzulegen ➔ ➔ Energieeffizienz Häufig arbeiten eingebettete Systeme in Umgebungen in denen Energie eine begrenzte Ressource ist Das Verarbeiten großer Datenmengen erfordert mehr Rechenleistung und hiermit mehr Energie Entsprechend führen datenund rechensparsame Modelle zu einer reduzierten Leistungsaufnahme ➔ ➔ Datenschutz Nicht selten erfassen eingebettete Systeme persönliche oder in anderer Weise sensible Daten Datensparsamkeit kann dazu beitragen die Menge der gesammelten und gespeicherten Daten zu minimieren lokal zu halten und so die Privatsphäre der Nutzer zu schützen KI-Modelle lassen sich komprimieren Wie ist im KI-Umfeld ein sparsamer Umgang mit Daten zu erreichen? Zum einen mit dem Komprimieren des Modells Dafür kommen etwa folgende Techniken zum Einsatz ➔ ➔ Quantisieren Codieren der Parameter beziehungsweise Gewichte in niedrigerer Präzision Etwa indem sie nicht – wie während des Trainings – als 32-Bitoder 64-Bit-Gleitkommazahlen dargestellt werden sondern zum Beispiel als Festkommazahlen oder ganzzahlig entsprechend skaliert Gerade für kleine Mikrocontroller-Architekturen wie etwa Cortex M3 die nicht über eine Gleitkomma-Recheneinheit verfügen stellen solche mathematischen Operationen einen hohen Rechenaufwand mit entsprechendem Energiebedarf dar ➔ ➔ Pruning Hierbei sucht ein Entwickler gezielt nach unwichtigen Gewichtungen Findet er solche entfernt er sie Teilweise lassen sich komplette Feature-Kanäle entfernen zum Beispiel sehr seltene Ereignisse Anschließend trainiert der Entwickler das Modell neu um den vom Pruning verursachten Genauigkeitsabfall zu kompensieren Tabelle 2 Vergleich SBC Raspberry Pi mit dem Mikrocontroller »MAX 78000FTHR« Quelle Elec-Con Raspberry Pi MAX 78000FTHR Weit verbreitet +++ -- Große Community +++ -- Vielfältige Anschlussmöglich keiten ++ + Rechenleistung Speicher + - KIRechenleistung + ++ KIFlexibilität - +++ Energieeffizienz geeignet für mobile Applikationen - ++ Einfaches Programmieren + - Spezialisierte KIHardware - +++ PC Raspberry Pi 2 B Raspberry Pi Zero Arduino Nano MAX78000FTHR CPU Intel Arm Cortex A7 Arm Cortex A7 megaAVR Arm Cortex M4 + Neural Network Accelerator Taktfrequenz [GHz] 2…5 0 6 1 0 016 0 1 Anzahl Kerne 1…8 4 1 1 2 Busbreite [bit] 64 32 32 8 32 Arbeitsspeicher [GB] 4…32 4 0 512 0 000032 0 00064 Rechenleistung [GFLOPS] 200…400 4… 5 0 2…0 3 0 0013 Stromaufnahme typ [W] 60 5 1 3 0 17 0 25 Raumbedarf typ [l] 5 0 12 0 03 0 01 0 02 Energiebedarf [kWh] 5256 438 113 15 22 Energiekosten [EUR] 1300 110 28 4 6 Preis typ [EUR] 1000 60 30 20 60 Tabelle 1 Vergleich der Leistungsdaten unterschiedlicher Rechner-Plattformen Quelle THD