EO516_marzo_2024

DIGITAL MCU s tettura di elaborazione con un core Arm Cortex-M real-ti- me, Alif Semiconductor ha sviluppato una nuova categoria di microcontrollori ottimizzati per l’intelligenza artificiale che potrebbero finalmente risolvere il problema dell’im- plementazione dell’intelligenza artificiale su dispositivi con l’alimentazione a batteria. Come sarà illustrato in se- guito, l’aumento delle prestazioni e dell’efficienza energe- tica durante l’esecuzione di carichi di lavoro dell’AI rispetto ai microcontrollori convenzionali è notevole. Le caratteristiche peculiari dei carichi di lavoro dell’AI Ilmotivo per cui le GPUvengono utilizzate nelle implemen- tazioni di intelligenza artificiale su larga scala è dovuto alla loro capacità di eseguire numerosi processi in parallelo, un fattore essenziale per creare un ambiente di addestramento (training) efficace per l’intelligenza artificiale. Le reti neu- rali apprendono elaborando simultaneamente diversi set di dati di grandi dimensioni. Ad esempio, anche una singola immagine è un gruppo di set di dati di grandi dimensioni definiti dall’altezza e dalla larghezza dell’immagine e dai dati di ciascun pixel. Nel caso dei video, a questo processo di training è necessaria l’aggiuta della modifica dei dati dei pixel in funzione del tempo. A differenza di una GPU a ela- borazione parallela, una CPU standard in un microcontrol- lore generico elabora i dati in serie, scansionando ciascun pixel uno alla volta anziché percepire l’intera immagine come fa la GPU. Ciò significa che, per eseguire la stessa at- tività di riconoscimento delle immagini alla medesima ve- locità di una GPU anche relativamente lenta – ad esempio, per identificare con precisione un gatto domestico – la CPU di unmicrocontrollore deve funzionare a velocità molto più elevate durante la scansione di ciascun pixel. Tale operazione tenderà a portare il core della CPU alla massima frequenza operativa per periodi prolungati. Poi- chè la quasi totalità della potenza di elaborazione è asse- gnata all’esecuzione dell’algoritmo AI, è molto probabile che le prestazioni complessive del microcontrollore risult- tino penalizzate. Allo stesso tempo, il consumo energetico del dispositivo aumenterà al punto da rendere impossibile il funzionamento a batteria. Ciò dimostra la difficoltà di im- plementare utili funzionalità di intelligenza artificiale nei prodotti alimentati a batteria basati su unmicrocontrollore convenzionale di tipo general-purpose. Attuali implementazioni dell’intelligenza artificiale mediante microcontrollori esistenti Sebbene realizzare un prodotto alimentato a batteria “po- tenziato” dall’intelligenza artificiale basato su un micro- controllore generico sia un compito impegnativo, non è affatto impossibile. Una soluzione è ridurre la complessi- tà del carico di lavoro fino a quando il consumo energeti- co e le prestazioni non saranno gestibili per il dispositivo. TinyML è un sottoinsieme dell’apprendimento automatico che funziona con potenze dell’ordine dei milliwatt, anzi- ché delle decine di watt richieste dalle GPU utilizzate per ELETTRONICA OGGI 516 - MARZO 2024 42