24小時聯系電話:18217114652、13661815404
中文
技術專題
高能效的 AI 芯片可及時檢測心房顫動
高能效的 AI 芯片可及時檢測心房顫動
他們的重點是促進創建可記錄心電圖的可穿戴設備，以防止因心率不規則引起的中風
邊緣的超低功耗 AI
心房顫動是最常見的心律失常類型之一。如果沒有及時發現，這種情況可能會引發中風。可以長時間記錄心電圖 (ECG) 的可穿戴設備是增加對不規則心律的檢測的好方法。但必須有可能以節能的方式分析記錄的心電圖數據，以便移動診斷實用。用于評估患者數據的算法可能需要大量計算，從而導致高能耗。因此，在評估此類算法時，移動應用程序的最高優先級應該是節能。
為促進上述問題的可行解決方案，德國聯邦教育和研究部 (BMBF) 組織了一場名為“高能效 AI 系統”的創新競賽，參賽者必須設計一款檢測心房顫動的 AI 芯片。至少 90% 的準確度并且消耗很少的能量。
信號處理進入休眠模式
為了確定患者是健康還是生病，Fraunhofer IIS 研究人員開發了依賴于深度學習的“使用 ML 算法（Lo3-ML）進行低功耗、低內存、低成本心電信號分析”的項目。將數字心電圖信號用作神經網絡的輸入，對信號部分進行濾波，對各個信號分量進行加權（具有三元權重值 +1、0 和 -1）并在幾層中進行匯總。“在神經網絡的第一層，檢測到了某種信號行為。在第二層中，特征相互關聯。總共使用了六層。心電圖信號的復雜圖像表明存在一種疾病，這種疾病直到最后第六層才出現，”弗勞恩霍夫 IIS 的科學家 Marco Breiling 說。
為了處理這些時間序列信號以提高能效，即 ECG 信號的數字表示，信號處理成為 AI 芯片的一部分，在不需要時休眠，從而節省了 95% 的能源。“該芯片收集了 12.7 秒的心電圖信號，然后僅用了 24 毫秒或 0.2% 的時間處理它。因此，處理過程在 99.8% 以上的時間處于休眠狀態，并且消耗的能量幾乎可以忽略不計。由于非易失性 RRAM 存儲器是系統的一部分，信號處理可以在喚醒后立即恢復，大約 12.7 秒后無需消耗任何能量，”Breiling 解釋道。他進一步表示，“該芯片所需的功率很小，因此在月光下運行的面積為 6 毫米 x 6 毫米的太陽能電池就足夠了。或者，該芯片可以使用非常小的紐扣電池連續 330 天評估心電圖。” 開發的電路不僅適用于醫療用途，還適用于處理時間序列信號的其他應用，例如狀態監測和預測性維護。
FPGA 的整體 AutoML
Fraunhofer ITWM 的研究團隊同時考慮了硬件能耗和神經網絡拓撲，這不僅提供了分類準確度，而且還具有能源效率。
但是，網絡究竟如何才能滿足定義的要求和規范呢？“在這方面有不同的搜索策略。我們使用了一種進化方法，其中我們選擇了十個不同的隨機網絡，訓練它們并檢查它們的工作情況。然后我們選擇了最好的網絡并對它們進行了變異以創建新的網絡變體。重復該過程，直到找到最佳網絡。這個過程稱為自動化機器學習，”在能力中心進行研究的 Jens Krüger 博士解釋說——弗勞恩霍夫 ITWM 的高性能計算。
Krüger 和他的團隊使用現場可編程門陣列 (FPGA) 來映射神經網絡，實現各種電路并實現最佳算法的最佳執行。FPGA 可以重新編程任意次數，并通過定義最佳神經網絡的各種特征進行區分。使用軟件工具，將神經網絡傳輸到 FPGA，然后自動評估 ECG 數據。這種方法產生了一種新方法，它不僅更節能，而且還減少了最佳神經網絡拓撲和相應 FPGA 實現的開發時間。開發的軟件工具不僅適用于 FPGA，還適用于各種芯片和環境。
研究人員正在擴展這一過程，以包括一種不僅考慮神經網絡還考慮硬件的整體方法，因為 AI 模型會影響硬件的能耗。
總之，可以說，只有降低當今微電子的能耗，人工智能（AI）才能創造效益并進入醫療、工業和其他應用領域。