Maskinlæring til sensorer

I dag kan mikrocontrollere findes i næsten enhver teknisk enhed, fra vaskemaskiner til blodtryksmålere og wearables. Forskere ved Fraunhofer Institute for Microelectronic Circuits and Systems IMS har udviklet AIfES, et kunstig intelligens (AI) koncept til mikrocontrollere og sensorer, der indeholder et fuldstændigt konfigurerbart kunstigt neuralt netværk. AIfES er et platformsuafhængigt maskinlæringsbibliotek, som kan bruges til at realisere selvlærende mikroelektronik, der ikke kræver forbindelse til en sky eller til højtydende computere. Det sensorrelaterede AI-system genkender håndskrift og bevægelser, muliggør f.eks. gestuskontrol af input, når biblioteket kører på en wearable.

Der findes i øjeblikket en lang række softwareløsninger til maskinlæring, men som regel er de kun tilgængelige til pc'en og er baseret på programmeringssproget Python. Der er stadig ingen løsning, der gør det muligt at eksekvere og træne neurale netværk på indlejrede systemer såsom mikrocontrollere. Alligevel, det kan være nyttigt at gennemføre træningen direkte i det indlejrede system, for eksempel når en implanteret sensor skal kalibrere sig selv. Visionen er sensorrelateret AI, der kan integreres direkte i et sensorsystem. Et team af forskere ved Fraunhofer IMS har gjort denne vision til virkelighed i form af AIfES (Artificial Intelligence for Embedded Systems), et maskinlæringsbibliotek programmeret i C, der kan køre på mikrocontrollere, men også på andre platforme såsom pc'er, Raspberry PI og Android. Biblioteket indeholder i øjeblikket et fuldstændigt konfigurerbart kunstigt neuralt netværk (ANN), som også kan generere dybe netværk til dyb læring, når det er nødvendigt. En ANN er et forsøg på matematisk at simulere den menneskelige hjerne ved hjælp af algoritmer for at gøre funktionelle sammenhænge lærelige for algoritmerne. AIfES er blevet optimeret specifikt til indlejrede systemer.

"Vi har reduceret kildekoden til et minimum, hvilket betyder, at ANN kan trænes direkte på mikrocontrolleren eller sensoren, dvs. det indlejrede system. Derudover er kildekoden universelt gyldig og kan kompileres til næsten enhver platform. Fordi de samme algoritmer altid bruges, en ANN genereret f.eks. på en pc kan nemt overføres til en mikrocontroller. Indtil nu har dette været umuligt i denne form med kommercielt tilgængelige softwareløsninger, " siger Dr. Pierre Gembaczka, forskningsassistent hos Fraunhofer IMS.

Beskyttelse af privatlivets fred

En anden unikt kvalificerende egenskab ved den sensorrelaterede AI fra Fraunhofer IMS:Indtil nu er kunstig intelligens og neurale netværk primært blevet brugt til billedbehandling og talegenkendelse, nogle gange med data, der forlader de lokale systemer. For eksempel, stemmeprofiler behandles i skyen på eksterne servere, da det lokale systems regnekraft ikke altid er tilstrækkelig. "Det er svært at beskytte privatlivets fred i denne proces, og enorme mængder data overføres. Derfor har vi valgt en anden tilgang og vender os fra maskinlæringsprocesser i skyen til fordel for maskinlæring direkte i det indlejrede system.

Da ingen følsomme data forlader systemet, databeskyttelse kan garanteres, og mængden af ​​data, der skal overføres, reduceres væsentligt, siger Burkhard Heidemann, "Embedded Systems" gruppeleder hos Fraunhofer IMS. "Selvfølgelig er det ikke muligt at implementere gigantiske deep learning-modeller på et indlejret system, så vi øger vores indsats for at lave en elegant funktionsudtrækning for at reducere inputsignaler." Ved at indlejre AI direkte i mikrocontrolleren, forskerne gør det muligt at udstyre en enhed med yderligere funktioner uden behov for dyre hardwareændringer.

Reduktion af data

AIfES fokuserer ikke på at behandle store mængder data, i stedet overfører kun de data, der er nødvendige for at bygge meget små neurale netværk. "Vi følger ikke tendensen til at behandle big data; vi holder fast i de absolut nødvendige data og skaber en slags mikrointelligens i det indlejrede system, der kan løse den pågældende opgave. Vi udvikler nye funktionsudtræk og nye dataforbehandlingsstrategier for hvert problem, så vi kan realisere den mindst mulige ANN. Dette muliggør efterfølgende læring på selve controlleren, " forklarer Gembaczka.

Fremgangsmåden er allerede blevet omsat i praksis i form af flere demonstranter. Hvis for eksempel forskerholdet implementerede genkendelsen af ​​håndskrevne numre på en billig 8-bit mikrocontroller (Arduino Uno). Dette blev gjort teknisk muligt ved at udvikle en innovativ metode til ekstraktion af funktioner. En anden demonstrant er i stand til at genkende komplekse bevægelser i luften. Her har IMS-forskerne udviklet et system bestående af en mikrocontroller og en absolut orienteringssensor, der genkender tal skrevet i luften. "En mulig anvendelse her ville være betjening af en bærbar, " påpeger forskerne. "For at denne form for kommunikation kan fungere, forskellige personer skriver tallene et til ni flere gange. Det neurale netværk modtager disse træningsdata, lærer af det og i næste trin identificerer tallene uafhængigt. Og næsten enhver figur kan trænes, ikke kun tal." Dette eliminerer behovet for at styre enheden ved hjælp af talegenkendelse:Den bærbare enhed kan styres med bevægelser, og brugerens privatliv forbliver beskyttet.

Der er praktisk talt ingen grænser for de potentielle anvendelser af AIfES:F.eks. et armbånd med integreret gestusgenkendelse kunne bruges til at styre indendørs belysning. Og ikke kun kan AIfES genkende bevægelser, det kan også overvåge, hvor godt bevægelserne er blevet lavet. Øvelser og bevægelser i fysioterapi og fitness kan evalueres uden behov for en coach eller terapeut. Privatlivets fred bevares, da der ikke bruges kamera eller sky. AIfES kan bruges inden for en række forskellige områder, såsom bilindustrien, medicin, Smart Home and Industrie 4.0.

Decentraliseret AI

Og der er flere fordele ved AIfES:Biblioteket gør det muligt at decentralisere computerkraft for eksempel ved at tillade små indlejrede systemer at modtage data før behandling og videregive resultaterne til et overordnet system. Dette reducerer dramatisk mængden af ​​data, der skal overføres. Ud over, det er muligt at implementere et netværk af små læringsdygtige systemer, som fordeler opgaver indbyrdes.

Dyb læring

AIfES indeholder i øjeblikket et neuralt netværk med en feedforward-struktur, der også understøtter dybe neurale netværk. "Vi har programmeret vores løsning, så vi kan beskrive et komplet netværk med en enkelt funktion, " siger Gembaczka. Integrationen af ​​yderligere netværksformer og -strukturer er i øjeblikket under udvikling. Desuden udvikler forskeren og hans kolleger hardwarekomponenter til neurale netværk ud over andre læringsalgoritmer og demonstratorer. Fraunhofer IMS arbejder i øjeblikket på en RISC-V mikroprocessor som vil have en hardwareaccelerator specielt til neurale netværk En speciel version af AIfES er ved at blive optimeret til denne hardware for at udnytte ressourcen optimalt.