Hoy en día, los microcontroladores se pueden encontrar en casi cualquier dispositivo técnico, desde lavadoras hasta medidores de presión arterial y wearables. Investigadores del Instituto Fraunhofer de Circuitos y Sistemas Microelectrónicos IMS han desarrollado AIfES, un concepto de inteligencia artificial (IA) para microcontroladores y sensores que contiene una red neuronal artificial completamente configurable. AIfES es una biblioteca de aprendizaje automático independiente de la plataforma que se puede utilizar para realizar microelectrónica de autoaprendizaje que no requiere conexión a una nube ni a computadoras de alto rendimiento. El sistema de inteligencia artificial relacionado con el sensor reconoce la escritura a mano y los gestos, habilitando, por ejemplo, el control por gestos de la entrada cuando la biblioteca se está ejecutando en un dispositivo portátil.

Actualmente existe una amplia variedad de soluciones de software para el aprendizaje automático, pero, por regla general, solo están disponibles para PC y se basan en el lenguaje de programación Python. Aún no existe una solución que permita ejecutar y entrenar redes neuronales en sistemas embebidos como microcontroladores. Sin embargo, puede resultar útil realizar la formación directamente en el sistema integrado, por ejemplo, cuando un sensor implantado debe calibrarse a sí mismo. La visión es una IA relacionada con los sensores que se puede integrar directamente en un sistema de sensores. Un equipo de investigadores de Fraunhofer IMS ha hecho realidad esta visión en forma de AIfES (Inteligencia Artificial para Sistemas Embebidos), una biblioteca de aprendizaje automático programada en C que puede ejecutarse en microcontroladores, sino también en otras plataformas como PC, Raspberry PI y Android. La biblioteca contiene actualmente una red neuronal artificial (ANN) completamente configurable, que también puede generar redes profundas para el aprendizaje profundo cuando sea necesario. Una ANN es un intento de simular matemáticamente el cerebro humano utilizando algoritmos para hacer que los contextos funcionales se puedan aprender para los algoritmos. AIfES se ha optimizado específicamente para sistemas integrados.

"Hemos reducido el código fuente al mínimo, lo que significa que la ANN se puede entrenar directamente en el microcontrolador o el sensor, es decir, el sistema integrado. Además, el código fuente es universalmente válido y se puede compilar para casi cualquier plataforma. Como siempre se utilizan los mismos algoritmos, una ANN generada, por ejemplo, en una PC se puede transferir fácilmente a un microcontrolador. Hasta ahora esto ha sido imposible de esta forma con las soluciones de software disponibles comercialmente, "dice el Dr. Pierre Gembaczka, investigador asociado en Fraunhofer IMS.

Protección de la privacidad

Otra característica de calificación única de la IA relacionada con los sensores de Fraunhofer IMS:hasta ahora, la inteligencia artificial y las redes neuronales se han utilizado principalmente para el procesamiento de imágenes y el reconocimiento de voz. a veces con los datos que salen de los sistemas locales. Por ejemplo, los perfiles de voz se procesan en la nube en servidores externos, ya que la potencia de cálculo del sistema local no siempre es la adecuada. "Es difícil proteger la privacidad en este proceso, y se transmiten enormes cantidades de datos. Es por eso que hemos elegido un enfoque diferente y nos estamos alejando de los procesos de aprendizaje automático en la nube a favor del aprendizaje automático directamente en el sistema integrado.

Dado que no salen datos confidenciales del sistema, la protección de datos puede garantizarse y la cantidad de datos a transferir se reduce significativamente, "dice Burkhard Heidemann, Responsable del grupo "Embedded Systems" en Fraunhofer IMS. "Por supuesto que no es posible implementar modelos gigantes de aprendizaje profundo en un sistema integrado, así que estamos aumentando nuestros esfuerzos para hacer una extracción de características elegante para reducir las señales de entrada ". Al incorporar la IA directamente en el microcontrolador, los investigadores hacen posible equipar un dispositivo con funciones adicionales sin la necesidad de costosas modificaciones de hardware.

Reducir datos

AIfES no se enfoca en procesar grandes cantidades de datos, en su lugar, transfiere solo los datos necesarios para construir redes neuronales muy pequeñas. "No seguimos la tendencia hacia el procesamiento de macrodatos; nos ceñimos a los datos absolutamente necesarios y estamos creando una especie de microinteligencia en el sistema integrado que puede resolver la tarea en cuestión. Desarrollamos nuevas extracciones de funciones y nuevas Estrategias de preprocesamiento de datos para cada problema para que podamos realizar la ANN más pequeña posible. Esto permite el aprendizaje posterior en el propio controlador, "Explica Gembaczka.

El enfoque ya se ha puesto en práctica en forma de varios manifestantes. Si, por ejemplo, el equipo de investigación implementó el reconocimiento de números escritos a mano en un microcontrolador económico de 8 bits (Arduino Uno). Esto fue técnicamente posible mediante el desarrollo de un método innovador de extracción de características. Otro demostrador es capaz de reconocer gestos complejos hechos en el aire. Aquí, los científicos del IMS han desarrollado un sistema que consta de un microcontrolador y un sensor de orientación absoluta que reconoce los números escritos en el aire. "Una posible aplicación aquí sería el funcionamiento de un dispositivo portátil, ", señalan los investigadores." Para que este tipo de comunicación funcione, Varias personas escriben los números del uno al nueve varias veces. La red neuronal recibe estos datos de entrenamiento, aprende de él y en el siguiente paso identifica los números de forma independiente. Y se puede entrenar casi cualquier figura, no solo números ". Esto elimina la necesidad de controlar el dispositivo mediante el reconocimiento de voz:el dispositivo portátil se puede controlar con gestos y la privacidad del usuario permanece protegida.

Prácticamente no hay límites para las posibles aplicaciones de AIfES:por ejemplo, Se podría utilizar una pulsera con reconocimiento de gestos integrado para controlar la iluminación interior. Y no solo AIfES puede reconocer gestos, también puede controlar qué tan bien se han realizado los gestos. Los ejercicios y movimientos en fisioterapia y fitness pueden evaluarse sin la necesidad de un entrenador o terapeuta. Se mantiene la privacidad ya que no se utiliza cámara ni nube. AIfES se puede utilizar en una variedad de campos como la automoción, medicamento, Hogar inteligente e Industrie 4.0.

IA descentralizada

Y AIfES tiene más ventajas:la biblioteca permite descentralizar la potencia informática, por ejemplo, al permitir que los pequeños sistemas integrados reciban datos antes de procesarlos y transmitan los resultados a un sistema superior. Esto reduce drásticamente la cantidad de datos que se transferirán. Además, es posible implementar una red de pequeños sistemas con capacidad de aprendizaje que distribuyen las tareas entre ellos.

Aprendizaje profundo

AIfES contiene actualmente una red neuronal con una estructura de retroalimentación que también admite redes neuronales profundas. "Programamos nuestra solución para que podamos describir una red completa con una sola función, ", dice Gembaczka. Actualmente se está desarrollando la integración de formas y estructuras de red adicionales. Además, el investigador y sus colegas están desarrollando componentes de hardware para redes neuronales además de otros algoritmos de aprendizaje y demostradores. Fraunhofer IMS está trabajando actualmente en un microprocesador RISC-V que contará con un acelerador de hardware específico para redes neuronales, se está optimizando una versión especial de AIfES para este hardware con el fin de explotar de manera óptima el recurso.