EO_470

INTERNET OF THINGS TECH-FOCUS 29 - ELETTRONICA OGGI 470 - MAGGIO 2018 cienti per ore o giorni di alimentazio- ne. Nel frat- tempo si rica- ricano conti- n u a m e n t e per mante- nere la piena ope r a t i v i t à del sistema che le ospita. A tal scopo Cymbet consiglia gli EnerCard Energy Harvesting-based Power Module sui quali oltre alle batterie EnerChip c’è un EnerChip Energy Processor che ne gover- na l’erogazione della potenza e la ricarica mentre sull’altro lato della scheda troviamo quattro celle fotovoltaiche che catturano l’energia dall’illuminazione ambientale. Il processore può gestire anche altri sen- sori da montare al posto o al fianco delle celle fotovoltaiche per poter sfruttare come sorgenti di energia le differenze termi- che, i movimenti o i campi elettromagnetici ambientali. I moduli EnerCard sono ideali per fornire l’energia necessaria ai nodi IoT a costo zero e senza alcuna manutenzione. Chip neuromorfico General Vision si occupa di calcolo neu- ronale da quasi un quarto di secolo, allor- quando Guy Paillet decise di concretizzare i suoi successi sul celebre chip neuronale Intel NI1000 fondando la propria società a Petaluma, in California, e realizzando l’altret- tanto celebre chip ZISC prima con 36 e poi con 78 neuroni. Più recentemente la società introduce la scheda BrainCard animata dal chip NeuroMem CM1K formato da 1.024 neuroni al cui fianco c’è un Fpga Xilinx Spartan 6 e uno stadio ADC. È interfacciabile con le schede Arduino e Raspberry Pi su cui montare ogni sorta di sensori e attuatori per realizzare sistemi autonomi di ricono- scimento personale implementabili come soluzioni IoT. Quest’anno nasce il chip neuromorfico NM500 fabbricato in geometria di riga da 110 nm e composto da 576 neuroni accom- pagnati da 256 Byte di memoria neuronale. Questo chip misura 4,5 x 4,5 mm e lavora a 37 MHz consumando mediamente 153 mW. È adatto per le applicazioni IoT dove imple- mentare il riconoscimento di pattern trami- te più sensori (acustici, d’immagine, tattili o biologici), sollevando da tal compito gli attuali microcontrollori che hanno esigenze ben più impegnative sia di potenza sia di risorse. L’NM500 può apprendere dagli errori e migliorare di volta in volta l’efficacia d’i- dentificazione diventando un componente essenziale per i nodi IoT dove le funzioni di cognitive computing sono sempre più indispensabili. Energy Harvesting e-peas progetta in Belgio dal 2014 soluzio- ni per l’energy harvesting utilizzabili per alimentare i nodi IoT e renderli più affida- bili e robusti. AEM10940 è un sottosiste- ma di gestio- ne dell’ali- me n t a z i o n e che consente di estrarre energia da una cellula fotovoltaica o da un generatore termoelettrico per tra- sformarla in potenza elettrica usufruibile direttamente oppure immagazzinabile in una batteria grazie a due regolatori di ten- sione indipendenti. All’ingresso può raccogliere l’energia a partire da 1 µW fino a 50 mW per poi inca- nalarla in un convertitore Boost in grado di accettare da 100 mV a 2,5 V, con cui può caricare indifferentemente una cella agli ioni di Litio, una batteria a film sottile oppure un super condensatore. A bordo integra un regolatore a basso dropout che può attivarsi a freddo già con 380 mV e 11 µW d’ingresso per erogare 1,8V e fino a 10 mA, utilizzabili per un processore a basso consumo oppure da 2,2 a 4,2 V e 80 mA, sufficienti per alimentare un sistema IoT completo di ricetrasmettitore, microcon- trollore e sensori. Il package è Qfn24 da 5 x 5 mm. Fig. 2 – Le batterie allo stato solido EnerChip di Cymbet s’installano a montaggio superficiale a fianco degli altri componenti e si ricaricano con un Energy Harvester Fig. 3 – Ci sono 576 neuroni nel chip neuromorfico NM500 di General Vision che consuma 153 mW ed è utilizzabile nei noti IoT con funzioni di riconoscimento e calcolo cognitivo Fig. 4 – L’energy harvester AEM10940 realizzato da e-peas consente di alimentare i nodi IoT raccogliendo l’energia da una cella fotovoltaica o da un generatore termoelettrico