طراحی یک دستگاه ساده اینترنت اشیا (IoT) مبتنی بر سنسور دشوار نیست، اما ساخت یک دستگاه IoT با قابلیت پردازش یادگیری ماشین (ML) یک موضوع کاملا متفاوت است.سری پردازنده های اختصاصی، تخته های توسعه و نرم افزار همراه که توسط NXP Semiconductors راه اندازی شده است، با هدف حل چالش های کلیدی در عملکرد، عملکرد و توسعه،کمک به گسترش سریعتر توابع هوش مصنوعی (AI) پیچیده در کاربردهای صنعتی و IoT.
طراحان از راه حل های هوش مصنوعی استفاده کرده اند که می توانند نتیجه گیری ML را بر روی دستگاه های کم مصرف انجام دهند بدون اینکه به منابع ابری تکیه کنند.تجزیه و تحلیل الگوی داده های سنسور، و تشخیص اشیاء اساسی به طور معمول می تواند توسط پردازنده های با انرژی کارآمد که مدل های ML را اجرا می کنند (با استفاده از ابزارهای بهینه سازی مدل و چارچوب ها ساخته شده است) اداره شود.مشکلات زمانی که شما سعی می کنید منابع پردازنده را برای رسیدگی به مشکلات پیچیده تر گسترش دهید، به خصوص آنهایی که نیاز به زمان واقعی یا نزدیک به زمان واقعی پاسخ.
چگونه پردازنده های چند هسته ای به طور قابل توجهی نتیجه گیری ML را تسریع می کنند
NXP Semiconductors، با پردازنده های کاربردی سری i.MX 93 خود می تواند به راحتی به چالش های عملکردی و عملکردی این طرح های نوظهور AI در زمان واقعی (شکل 1) پاسخ دهد.
شکل 1: پردازنده برنامه i.MX 93 منابع پردازش، سیستم های امنیتی، حافظه و طیف کاملی از ساعت ها، تایمرها، گزینه های اتصال و رابط ها را ادغام می کند.ایجاد پایه برای طراحی هوش مصنوعی پیشرفته. (منبع تصویر: NXP Semiconductors)
این سری پردازنده ها ویژگی های غنی از جمله چند رسانه ای، ذخیره سازی، رابط ها و گزینه های اتصال را ادغام می کنند و منابع پردازش چشمگیر را ترکیب می کنند:
تا دو هسته پردازنده نرم افزار Arm Cortex-A55 با عملکرد بالا برای وظایف پردازش نرم افزار مبتنی بر لینوکس
یک پلت فرم کم مصرف Arm Cortex-M33 برای پردازش کنترل زمان واقعی با تاخیر کم
یک واحد پردازش عصبی Arm Ethos-U65 microNPU (NPU) برای اجرای کارآمد نتیجه گیری ML
یکپارچه سازی EdgeLock Secure Enclave (ESE) NXP، یک منبع اعتماد برای مدیریت بوت و کلید امن، رمزگذاری در زمان واقعی و سایر ویژگی های مورد نیاز برای محافظت از برنامه های لبه ای را فراهم می کند.
با استفاده از قابلیت های این پردازنده ها، برنامه های کاربردی هوش مصنوعی بزرگ می توانند به چندین بخش قابل مدیریت تقسیم شوند:NPU ها وظایف محاسباتی الگوریتم های شبکه عصبی متراکم را بر عهده می گیرند، کاهش بار بر روی هسته های Cortex-A55 و جلوگیری از پیشگیری از منابع کد برنامه اجرا شده آنها.هسته Cortex-M33 همچنان بر روی پردازش وظایف کم تاخیر مانند جمع آوری داده های سنسور یا کنترل فرآیند متمرکز است، در حالی که ESE جاسازی شده از امنیت سیستم، کد نرم افزار و داده های مهم در طول کل فرآیند محافظت می کند.موارد زیر توانایی NPU را برای حذف نتیجه گیری یادگیری ماشین از هسته Cortex-A55 معرفی می کند.، که یک پشتیبانی کلیدی برای دستیابی به برنامه های کاربردی AI نزدیک به زمان واقعی است.
چگونه تخته های توسعه سخت افزار و نرم افزار توسعه برنامه را تسریع می کنند
اگرچه عملکرد و عملکرد پردازنده بسیار مهم است،توسعه کارآمد برنامه های کاربردی هوش مصنوعی لبه بیشتر به توانایی درک سریع ویژگی های پردازنده و ساخت سریع نرم افزار موثر بستگی داردهیئت توسعه FRDM-IMX93 از NXP (شکل 2) ، همراه با منابع توسعه نرم افزار همراه، می تواند همه چیز مورد نیاز برای شروع ایجاد برنامه ها را فراهم کند.