ROHM开发出数十毫瓦超低功耗的设备端学习 AI芯片

无需云服务器、在设备端即可实时预测故障

*设备端（On-device）学习：在同一AI芯片上进行学习和训练

全球知名半导体制造商ROHM（总部位于日本京都市）开发出、设备端学习*AI芯片（配备设备端学习AI加速器的SoC），该产品利用 AI（人工智能）技术，能以超低功耗实时预测内置电机和传感器等的电子设备的故障（故障迹象检测），非常适用于IoT领域的边缘计算设备和端点*1。

通常，AI芯片要实现其功能，需要进行设置判断标准的“训练”，以及通过学到的信息来判断如何处理的“推理”。在这种情况下，“训练”需要汇集庞大的数据量形成数据库并随时更新，因此进行训练的AI芯片需要具备很高的运算能力，而其功耗也会随之增加。正因如此，面向云计算设备开发的高性能、昂贵的AI芯片层出不穷，而适用于边缘计算设备和端点（更有效地构建物联网社会的关键）的低功耗、可在设备端学习的AI芯片开发却困难重重。

此次开发出的AI芯片，是ROHM在基于日本庆应义塾大学松谷教授开发的“设备端学习算法”，面向商业化开发的AI加速器*2（AI专用硬件计算电路）和ROHM8位高效CPU“tinyMicon MatisseCORE（以下简称“Matisse”）”构成。通过将2万门超小型AI加速器与高效CPU相结合，能以仅几十mW（仅为以往AI训练芯片的1/1000）的超低功耗实现训练和推理。利用本产品，无需连接云服务器，就可以在设备终端将未知的输入数据和模式形成“不同于以往”的数值并输出，因此可在众多应用中实现实时故障预测。

未来，ROHM计划将该AI芯片的AI加速器应用在IC产品中，以实现电机和传感器的故障预测。计划于2023年度推出产品，于2024年度投入量产。

日本庆应义塾大学 理工学部信息工学科 松谷宏纪教授表示：“随着5G通信和数字孪生*3等物联网技术的发展，对云计算的要求也越来越高，而在云服务器上处理所有数据，从负载、成本和功耗方面看并不现实。我们研究的‘设备端学习’和开发的‘设备端学习算法’，是为了提高边缘端的数据处理效率，创建更好的物联网社会。这次，我校通过与ROHM公司进行联合研究，进一步改进了设备端学习电路技术，并有望以高性价比的方式推出产品。我们预计在不久的将来，这种原型AI芯片将会成功嵌入ROHM的IC产品中，为实现更高效的物联网社会做出贡献。”

＜关于tinyMicon MatisseCORE＞

tinyMicon MatisseCORE（Matisse:Microarithmetic unit fortinysizesequencer）是ROHM自主开发的8位微处理器（CPU），该产品旨在随着物联网技术的发展来提高模拟IC的智能化程度。凭借针对嵌入式应用而优化的指令集和，的编译器技术，以高标准实现了更小的芯片面积和程序代码、以及更高速的运算处理能力。此外，该产品还符合汽车功能安全标准“ISO 26262”、ASIL-D等的要求，适用于对可靠性要求高的应用。另外，利用内置的自有“实时调试功能”，在调试时的处理可以完全不影响应用程序的运行，因此能在应用产品工作的同时进行调试。

＜AI芯片（配备设备端学习AI加速器的SoC）详细介绍＞

这次开发出的设备端学习AI芯片原型（产品型号：BD15035）在人工智能技术的基础上，采用了庆应义塾大学松谷教授开发的“设备端学习算法（三层神经网络*4的AI电路）”。为了推出可以投放市场的产品，ROHM将这种AI电路的大小从500万门缩小为2万门，仅为原来的0.4%，并将其重新构建为自有的AI加速器“AxlCORE-ODL”，同时，利用ROHM的8位高效微处理器“tinyMicon MatisseCORE”进行AI加速器的运算控制，使得仅数十毫瓦的超低功耗AI训练和推理成为可能。利用本产品，无需连接云服务器和事先进行AI训练，就可以设备终端将未知的输入数据和模式（例如加速度、电流、照度、声音等）形成“不同于以往（异常度）”的数值并输出，因此不仅可以降低云服务器和通信成本，还能通过终端AI进行实时故障预测（故障迹象检测）。

另外，ROHM还提供可安装微控制器开发板“Arduino*5”用扩展板（配备Arduino兼容引脚）的评估板，以方便客户评估这款AI芯片。评估板上装有无线通信模块（Wi-Fi和Bluetooth）以及64kbit EEPROM（内存），只需将该评估板与传感器等单元相连接，将传感器装在监控对象上，即可在显示屏上确认AI芯片的效果。关于该评估板，如有需要欢迎联系ROHM的销售部门。