今天，微控制器几乎可以在任何技术设备中找到，从洗衣机到血压计和可穿戴设备。德国弗劳恩霍夫微电子电路与系统研究所IMS的研究人员开发了AIfES，这是一种用于微控制器和传感器的人工智能(AI)概念，包含一个完全可配置的人工神经网络。AIfES是一个平台独立的机器学习库，可以用来实现不需要连接到云或高性能计算机的自学微电子学。与传感器相关的人工智能系统可以识别笔迹和手势，例如，当图书馆在可穿戴设备上运行时，可以对输入进行手势控制。
目前存在各种各样的机器学习软件解决方案，但作为规则，它们仅适用于PC，并基于编程语言Python。仍然没有解决方案使执行和训练成为可能神经网络在嵌入式系统上，如微控制器。然而，直接在嵌入式系统中进行训练是有用的，例如，当植入的传感器校准自己时。视觉是可以直接集成到传感器系统中的传感器相关人工智能。Fraunhofer IMS的一组研究人员以AIfES(嵌入式系统人工智能)的形式实现了这一愿景，这是一种用C语言编程的机器学习库，可以在微控制器上运行，也可以在pc、Raspberry PI和Android等其他平台上运行。该库目前包含一个完全可配置的人工神经网络(ANN)，它也可以在必要时生成用于深度学习的深度网络。人工神经网络是一种利用算法在数学上模拟人类大脑的尝试，以使算法的功能上下文可学习。AIfES专门针对嵌入式系统进行了优化。
“我们已经将源代码减少到最低限度，这意味着ANN可以直接在微控制器或传感器上训练，即嵌入式系统。此外，源代码是普遍有效的，几乎可以为任何平台编译。因为总是使用相同的算法，例如在PC上生成的神经网络可以很容易地移植到微控制器上。到目前为止，这种形式的商业可用软件解决方案是不可能的，”Fraunhofer IMS的研究助理Pierre Gembaczka博士说。
保护隐私的
Fraunhofer IMS的传感器相关AI的另一个独特的合格特性是:直到现在人工智能神经网络主要用于图像处理和语音识别，有时数据会离开本地系统。例如，由于本地系统的计算能力并不总是足够的，语音配置文件是在外部服务器上的云中处理的。“在这个过程中很难保护隐私，而且要传输大量数据。这就是为什么我们选择了一种不同的方法，从云计算的机器学习过程转向了云计算机器学习直接在嵌入式系统中实现。
由于没有敏感数据离开系统，数据保护得到了保证，传输的数据量也大大减少了。”Fraunhofer IMS的“嵌入式系统”小组经理Burkhard Heidemann说。“当然，在嵌入式系统上实现巨大的深度学习模型是不可能的，所以我们正在加大努力，进行优雅的特征提取，以减少输入信号。”通过将人工智能直接嵌入微控制器，研究人员可以为设备配备额外的功能，而不需要昂贵的硬件修改。
AIfES手写体识别演示。所有功能都集成在Arduino UNO上，它读取触摸板的传感器值，进行数字识别，并输出结果到显示器上。信贷:Fraunhofer-Gesellschaft
减少数据
AIfES并不专注于处理大量的数据，而是只传输构建非常小的神经网络所需的数据。“我们没有跟随处理大数据的趋势;我们坚持使用绝对必要的数据，并在嵌入式系统中创建一种可以解决问题的微智能。我们为每个问题发展新的特征提取和新的数据预处理策略，以便我们能够实现最小可能的人工神经网络。这使得后续控制器本身的学习成为可能。”Gembaczka解释道。
这一方法已经以几个示范的形式付诸实践。例如，研究小组在便宜的8位微控制器(Arduino Uno)上实现了手写数字的识别。通过开发一种创新的特征提取方法，这在技术上成为可能。另一名演示者能够识别空中做出的复杂手势。在这里，IMS的科学家已经开发了一个系统，由一个微控制器和一个绝对方向传感器组成，可以识别写在空中的数字。研究人员指出:“其中一个可能的应用是可穿戴设备的操作。”为了使这种交流方式有效，不同的人把从1到9的数字写几遍。神经网络接收这些训练数据，从中学习，并在下一步独立识别数字。几乎任何数字都可以训练，而不仅仅是数字。”这消除了控制设备使用的需要语音识别:可穿戴设备可以通过手势进行控制，用户的隐私得到保护。
AIfES的潜在应用几乎没有限制:例如，集成手势识别的腕带可以用来控制室内照明。AIfES不仅可以识别手势，还可以监测手势的做出情况。物理治疗中的运动和运动可以在不需要教练或治疗师的情况下进行评估。由于没有使用摄像头或云，因此隐私得到了保护。AIfES可应用于汽车、医疗、智能家居、工业4.0等多个领域。
分散的人工智能
AIfES还有更多的优点:该库使分散计算能力成为可能，例如，允许小型嵌入式系统在处理之前接收数据，并将结果传递给上级系统。这大大减少了要传输的数据量。此外，还可以实现一个小的、具有学习能力的系统网络，在它们之间分配任务。
深度学习
AIfES目前包含一个具有前馈结构的神经网络，它也支持深度神经网络。Gembaczka说:“我们对我们的解决方案进行了编程，这样我们就可以描述一个具有单一功能的完整网络。附加的积分网络形式和结构目前正在发展中。此外，研究人员和他的同事正在开发用于神经网络的硬件组件，以及其他学习算法和演示程序。Fraunhofer IMS目前正在开发一种RISC-V微处理器，该微处理器将具有专门用于神经网络的硬件加速器。AIfES的一个特殊版本正在针对该硬件进行优化，以便最优地利用资源。
了下:AI•机器学习，M2M(机器对机器)
