Künstliche Intelligenz für Mikroelektronik und Sensoren

16.10.2019

Forscherinnen und Forscher am Fraunhofer IMS haben eine Künstliche Intelligenz (KI) für Mikrocontroller und Sensoren entwickelt, die ein voll konfigurierbares künstliches neuronales Netz umfasst – eine plattformunabhängige Machine-Learning-Bibliothek, mit der sich selbstlernende Kleinstelektroniken realisieren lassen.

© Fraunhofer IMS

© Fraunhofer IMS

AIfES-Demonstrator zur Handschriftenerkennung: Auf diesem Touchpad werden die Ziffern mit der Hand gezeichnet und dann durch AIfES auf dem Mikrocontroller erkannt und ausgegeben.

Mikrocontroller sind in fast jedem technischen Gerät verbaut – von der Waschmaschine über das Blutdruckmessgerät bis hin zu Wearables. Bisher sind Softwarelösungen für das maschinelle Lernen nur für den PC verfügbar und nutzen Python als Programmiersprache. Eine Lösung, die das Ausführen und Trainieren von neuronalen Netzen auch auf eingebetteten Systemen, wie z. B. Mikrocontrollern, ermöglicht, liegt aktuell nicht vor.

Maschinelles Lernen auf eingebetteten Systemen

Mit AIfES (Artificial Intelligence for Embedded Systems) hat das Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS die Vision einer sensornahen KI umgesetzt. Diese ist direkt in ein Sensorsystem integriert. Deshalb kann das Training direkt auf dem eingebetteten System durchgeführt werden. Auf diese Weise kann sich ein implantierter Sensor beispielsweise selbst kalibrieren. Bei AIfES handelt es sich um eine plattformunabhängige und ständig wachsende Machine-Learning-Bibliothek, die auf der Programmiersprache C basiert und ausschließlich Standardbibliotheken auf Basis der GNU Compiler Collection (GCC) nutzt. Bereits jetzt enthält AIfES ein voll konfigurierbares künstliches neuronales Netz (KNN) mit einer Feedforward-Struktur, welches bei Bedarf auch tiefe Netze für Deep Learning Prozesse erzeugen kann. Das Team des Fraunhofer IMS hat den Quellcode auf ein Minimum reduziert, sodass das Trainieren des KNN auch auf einem Mikrocontroller möglich ist. Darüber hinaus ist der Quellcode universell gültig, sodass er sich auf anderen Plattformen nutzen lässt, wie beispielsweise PC, Raspberry PI oder Android.

Daten schützen und reduzieren

Unabhängig von externen leistungsfähigeren Computern oder Cloud-Lösungen ist AIfES in der Lage, selbst zu lernen. Das bedeutet, dass keine sensiblen Daten das System verlassen. Somit kann der Datenschutz garantiert werden. Um zudem den Umfang der Daten zu reduzieren, werden nur sehr kleine neuronale Netze für die jeweilige Aufgabenstellung aufgebaut. Darüber hinaus lässt sich mit AIfES die Rechenleistung dezentralisieren, indem kleine eingebettete Systeme die Daten vor der Verarbeitung übernehmen und einem höhergeordneten System anschließend die Ergebnisse zur Verfügung stellen. Auf diese Weise reduziert sich die zu übertragende Datenmenge beträchtlich.

Gesten erkennen und überwachen

Die sensornahe KI des Fraunhofer IMS unterstützt die Handschriften- und Gestenerkennung. Läuft die Bibliothek etwa auf einem Wearable, so lässt sich die Eingabe per Geste steuern. Daher ist die Integration von AIfES in verschiedenste Anwendungen möglich: So könnte ein Armband mit integrierter Gestenerkennung etwa zur Beleuchtungssteuerung in Gebäuden genutzt werden. Aber nicht nur das Erkennen einer Geste ist möglich, sondern auch die Überwachung, wie gut eine Geste ausgeführt wurde. Im Reha- oder Fitnessbereich könnte man somit Übungen und Bewegungsabläufe bewerten, wenn kein Trainer anwesend ist. Da keine Kamera oder Cloud genutzt wird, bleibt die Privatsphäre geschützt.

 

Anwendungsfelder AIfES:

 

• Mensch-Technik-Interaktion     

• Smart Home                                                                                                                               

• Industrie 4.0                                                                                                                         

• Messtechnik                                                                                                                              

• Medizintechnik