EO516_marzo_2024

DIGITAL MCU s risveglio del sistema, il core Cortex-M55 può funzionare a bassissimo consumo al solo scopo di indicare alla microN- PU Ethos-U di eseguire un’attività di inferenza, la quale a sua volta determinerà la necessità o meno di attivare altre risorse. Ora, un’analisi delle implicazioni di questa tecnologia ap- plicata alla gattaiola elettronica basata sull’intelligenza artificiale. Nell’esempio riportato nell’articolo, è possibile aspettarsi che il gatto sia stato inizialmente rilevato tra- mite qualche forma di rilevamento del movimento, moni- toraggio video o una combinazione dei due. Un feed video costante e l’inferenza IA associata consumerebbero molta energia nel tentativo di identificare il gatto in questione, indipendentemente dal fatto che sia ancora nell’inquadra- tura. Per risparmiare energia, il microcontrollore dual-core Ensemble potrebbe utilizzare la funzione di riattivazione del primo core Cortex-M55 per rilevare innanzitutto se ci sia movimento davanti alla gattaiola, usando un sensore a basso consumo. Una volta rilevato il movimento, il primo core Cortex-M55 può riattivare la microNPU Ethos-U del sistema di infe- renza di livello inferiore per catturare alcuni fotogrammi del feed video e analizzare i dati per verificare se sia pre- sente un gatto; potrebbe trattarsi di un altro animale o di un oggetto estraneo che è passato davanti alla telecamera. Se, dopo aver controllato il video, si scopre che un gatto si è avvicinato alla gattaiola, il primo Cortex-M55 può sve- gliare il secondo Ethos-U del sistema di inferenza di livello superiore per verificare se si tratti del gatto domestico. Se il gatto non viene riconosciuto, il sistema può risparmiare energia tornando al sistema di rilevamento del movimen- to di livello inferiore finché un nuovo oggetto non entra nell’inquadratura. Se viene determinato che si tratta del gatto in questione, la seconda microNPU può svegliare il secondo sistema Cortex-M55 e attivare il meccanismo per farlo entrare. Il gatto e la sua famiglia possono così sfrutta- re i vantaggi legati all’uso del dispositivo abilitato all’intel- ligenza artificiale, ma utilizzando un sistema di inferenza IA a due livelli, possibile grazie al nuovo design del micro- controllore di Alif Semiconductor, il consumo energetico è drasticamente ridotto. Di fronte alle difficoltà legate all’implementazione dell’ap- prendimento automatico nei prodotti finali alimentati a batteria, la famiglia Ensemble di Alif Semiconductor risol- ve i problemi precedenti relativi all’elevato consumo ener- getico e alla potenza di elaborazione limitata. Oltre a una nuova architettura di elaborazione, questi dispositivi pre- sentano ancora la memoria, gli I/O e le periferiche richiesti in qualsiasi sistema generico basato su microcontrollore, con l’aggiunta di tutte le funzionalità di sicurezza inte- grate. Inoltre, grazie a una singola toolchain che utilizza il diffuso core Cortex-M e il framework tipico dei microcon- trollori general-purpose, i progettisti non devono “partire da zero” per implementare funzionalità di machine lear- ning. I dispositivi Ensemble rappresentano quindi un otti- mo punto di partenza per i designer, i quali possono inizia- re a pensare a come utilizzare l’intelligenza artificiale per migliorare i loro prodotti. Con i kit di sviluppo disponibili, Alif Semiconductor offre una soluzione semplice e “pronta all’uso” per implementare il machine learning nei prodotti finali basati sumicrocontrollore, senza per questo compro- mettere le prestazioni o il consumo energetico. TinyML è un sottoinsieme dell’apprendimento automatico che funziona con potenze dell’ordine dei milliwatt ELETTRONICA OGGI 516 - MARZO 2024 45