En trådlös krets behöver inte längre bara överföra data. Med maskininlärning kan den också tolka radiosignaler och upptäcka rörelser eller avgöra var ett föremål befinner sig. Men det ställer nya krav på både beräkningskapacitet och energiförbrukning.
Radiosignaler påverkas hela tiden av omgivningen. Reflektioner, störningar, signalstyrka och förändringar i människors eller föremåls position skapar mönster som kan analyseras med maskininlärning.
Det öppnar för nya funktioner i trådlösa enheter. En radiokrets kan exempelvis bidra till att avgöra om ett föremål befinner sig i ett visst område eller om någon rör sig i närheten. Informationen kan analyseras lokalt, utan att först skickas till molnet.
Enligt Tamas Daranyi, produktmarknadschef för AI/ML på Silicon Labs, är utmaningen att utföra sådana beräkningar utan att försämra enhetens ordinarie funktioner. Samma styrkrets ska hantera radiokommunikation, applikationsprogramvara och säkerhet samtidigt som AI-modellen körs.
En lösning är specialiserad hårdvara. Silicon Labs använder acceleratorn Matrix Vector Processor, MVP, för att utföra de matris- och vektoroperationer som är vanliga inom maskininlärning.
Acceleratorn finns i kretsfamiljerna xG24, xG26 och xG28 samt i SiWG917. Genom att avlasta huvudprocessorn kan den förkorta tiden för inferens, alltså när en tränad AI-modell analyserar nya data.
För batteridrivna produkter är detta särskilt viktigt. Ju snabbare beräkningen blir klar, desto tidigare kan enheten återgå till ett energisnålt viloläge.
Med AI kan trådlösa kretsar inte bara behandla sensordata, ljud och bilder utan också använda radiosignaler för att tolka omgivningen.
Men hårdvaruacceleration räcker inte alltid. En modell som fungerar på en utvecklingsdator kan kräva för mycket RAM, flashminne eller energi när den flyttas till en styrkrets.
Därför erbjuder Silicon Labs profileringsverktyg som visar modellens minnesbehov, exekveringstid och hur stor del av beräkningen som kan utföras i acceleratorn.
Enligt Daranyi håller AI därmed på att bli en integrerad del av konstruktionen av trådlösa kretsplattformar. Det räcker inte längre att kontrollera om en AI-modell kan köras på en MCU. Hela plattformen måste vara anpassad för uppgiften från början.
Texten bygger på en artikel av Tamas Daranyi, Silicon Labs.