24小时联系电话:18217114652、13661815404
中文
技术专题
高能效的 AI 芯片可及时检测心房颤动
高能效的 AI 芯片可及时检测心房颤动
他们的重点是促进创建可记录心电图的可穿戴设备，以防止因心率不规则引起的中风
边缘的超低功耗 AI
心房颤动是最常见的心律失常类型之一。如果没有及时发现，这种情况可能会引发中风。可以长时间记录心电图 (ECG) 的可穿戴设备是增加对不规则心律的检测的好方法。但必须有可能以节能的方式分析记录的心电图数据，以便移动诊断实用。用于评估患者数据的算法可能需要大量计算，从而导致高能耗。因此，在评估此类算法时，移动应用程序的最高优先级应该是节能。
为促进上述问题的可行解决方案，德国联邦教育和研究部 (BMBF) 组织了一场名为“高能效 AI 系统”的创新竞赛，参赛者必须设计一款检测心房颤动的 AI 芯片。至少 90% 的准确度并且消耗很少的能量。
信号处理进入休眠模式
为了确定患者是健康还是生病，Fraunhofer IIS 研究人员开发了依赖于深度学习的“使用 ML 算法（Lo3-ML）进行低功耗、低内存、低成本心电信号分析”的项目。将数字心电图信号用作神经网络的输入，对信号部分进行滤波，对各个信号分量进行加权（具有三元权重值 +1、0 和 -1）并在几层中进行汇总。“在神经网络的第一层，检测到了某种信号行为。在第二层中，特征相互关联。总共使用了六层。心电图信号的复杂图像表明存在一种疾病，这种疾病直到最后第六层才出现，”弗劳恩霍夫 IIS 的科学家 Marco Breiling 说。
为了处理这些时间序列信号以提高能效，即 ECG 信号的数字表示，信号处理成为 AI 芯片的一部分，在不需要时休眠，从而节省了 95% 的能源。“该芯片收集了 12.7 秒的心电图信号，然后仅用了 24 毫秒或 0.2% 的时间处理它。因此，处理过程在 99.8% 以上的时间处于休眠状态，并且消耗的能量几乎可以忽略不计。由于非易失性 RRAM 存储器是系统的一部分，信号处理可以在唤醒后立即恢复，大约 12.7 秒后无需消耗任何能量，”Breiling 解释道。他进一步表示，“该芯片所需的功率很小，因此在月光下运行的面积为 6 毫米 x 6 毫米的太阳能电池就足够了。或者，该芯片可以使用非常小的纽扣电池连续 330 天评估心电图。” 开发的电路不仅适用于医疗用途，还适用于处理时间序列信号的其他应用，例如状态监测和预测性维护。
FPGA 的整体 AutoML
Fraunhofer ITWM 的研究团队同时考虑了硬件能耗和神经网络拓扑，这不仅提供了分类准确度，而且还具有能源效率。
但是，网络究竟如何才能满足定义的要求和规范呢？“在这方面有不同的搜索策略。我们使用了一种进化方法，其中我们选择了十个不同的随机网络，训练它们并检查它们的工作情况。然后我们选择了最好的网络并对它们进行了变异以创建新的网络变体。重复该过程，直到找到最佳网络。这个过程称为自动化机器学习，”在能力中心进行研究的 Jens Krüger 博士解释说——弗劳恩霍夫 ITWM 的高性能计算。
Krüger 和他的团队使用现场可编程门阵列 (FPGA) 来映射神经网络，实现各种电路并实现最佳算法的最佳执行。FPGA 可以重新编程任意次数，并通过定义最佳神经网络的各种特征进行区分。使用软件工具，将神经网络传输到 FPGA，然后自动评估 ECG 数据。这种方法产生了一种新方法，它不仅更节能，而且还减少了最佳神经网络拓扑和相应 FPGA 实现的开发时间。开发的软件工具不仅适用于 FPGA，还适用于各种芯片和环境。
研究人员正在扩展这一过程，以包括一种不仅考虑神经网络还考虑硬件的整体方法，因为 AI 模型会影响硬件的能耗。
总之，可以说，只有降低当今微电子的能耗，人工智能（AI）才能创造效益并进入医疗、工业和其他应用领域。