如今，微控制器幾乎可以在任何技術設備中找到，從洗衣機到血壓計和可穿戴設備。弗勞恩霍夫微電子電路與系統研究所的研究人員開發了AIfES，這是一種用于微控制器和傳感器的人工智能(AI)概念，包含完全可配置的人工神經網絡。AIfES是一個獨立于平臺的機器學習庫，可用于實現無需連接到云或高性能計算機的自學微電子。與傳感器相關的AI系統識別手寫和手勢，例如當庫在可穿戴設備上運行時實現輸入的手勢控制。

目前存在各種用于機器學習的軟件解決方案，但通常它們僅適用于PC并且基于編程語言Python。仍然沒有解決方案可以執行和訓練神經網絡在微控制器等嵌入式系統上。然而，直接在嵌入式系統中進行訓練可能是有用的，例如當植入的傳感器要自我校準時。愿景是與傳感器相關的AI，可以直接集成在傳感器系統中。Fraunhofer IMS的一組研究人員以AIfES(嵌入式系統人工智能)的形式實現了這一愿景，這是一個用C編程的機器學習庫，可以在微控制器上運行，也可以在其他平臺上運行，如PC，Raspberry PI和Android。該庫目前包含一個完全可配置的人工神經網絡(ANN)，它還可以在必要時生成深度學習的深層網絡。ANN是一種嘗試使用算法在數學上模擬人類大腦，以使功能上下文可以學習算法。AIfES專門針對嵌入式系統進行了優化。

“我們已經將源代碼減少到最小，這意味著ANN可以直接在微控制器或傳感器(即嵌入式系統)上進行培訓。此外，源代碼普遍有效，幾乎可以在任何平臺上編譯。總是使用相同的算法，例如在PC上生成的ANN可以很容易地移植到微控制器上。到目前為止，這種形式已經不可能通過商用軟件解決方案實現，“Fraunhofer IMS的研究助理Pierre Gembaczka博士說。 。

Fraunhofer IMS傳感器相關人工智能的另一個獨特資格特征：到目前為止，人工智能和神經網絡主要用于圖像處理和語音識別，有時數據會離開本地系統。例如，語音配置文件在外部服務器上的云中處理，因為本地系統的計算能力并不總是足夠的。“在這個過程中很難保護隱私，并且傳輸了大量的數據。這就是為什么我們選擇了不同的方法，并且正在轉向云中的機器學習過程，而不是直接在嵌入式系統中進行機器學習。

由于沒有敏感數據離開系統，因此可以保證數據保護，并且可以大大減少要傳輸的數據量，“Fraunhofer IMS的”嵌入式系統“集團經理Burkhard Heidemann說道。”當然不可能實現巨大的深度在嵌入式系統上學習模型，因此我們正在努力提供優雅的特征提取以減少輸入信號。“通過將AI直接嵌入微控制器，研究人員可以在不需要的情況下為設備配備額外的功能用于昂貴的硬件修改。

AIfES不專注于處理大量數據，而只轉移構建非常小的神經網絡所需的數據。“我們沒有遵循處理大數據的趨勢;我們堅持使用絕對必要的數據，并在嵌入式系統中創建一種可以解決相關任務的微智能。我們開發新功能提取和新功能每個問題的數據預處理策略，以便我們可以實現盡可能小的ANN。這使得后續學習控制器本身，“Gembaczka解釋說。

該方法已經以幾個示威者的形式付諸實踐。例如，研究團隊在廉價的8位微控制器(Arduino Uno)上實現了對手寫數字的識別。通過開發創新的特征提取方法，這在技術上成為可能。另一個演示者能夠識別在空中制作的復雜手勢。IMS科學家在這里開發了一個由微控制器和絕對定向傳感器組成的系統，可以識別空中寫入的數字。“這里有一個可能的應用就是可穿戴設備的操作，”研究人員指出。“為了使這種類型的通信工作，各個人多次寫入數字1到9。神經網絡接收這種訓練數據，從中學習并在下一步中獨立識別數字。幾乎任何數字都可以訓練，而不僅僅是數字。“這消除了使用控制設備的需要語音識別：可以通過手勢控制可穿戴設備，并保護用戶的隱私。

對于AIfES的潛在應用幾乎沒有限制：例如，具有集成手勢識別的腕帶可用于控制室內照明。AIfES不僅可以識別手勢，還可以監控手勢的制作情況。無需教練或治療師即可評估物理治療和健身運動和運動。由于沒有使用相機或云，因此保持了隱私。AIfES可用于各種領域，如汽車，醫藥，智能家居和工業4.0。

分散的人工智能

并且AIfES還有更多優點：庫可以分散計算能力，例如允許小型嵌入式系統在處理之前接收數據并將結果傳遞給上級系統。這大大減少了要傳輸的數據量。此外，可以實現一個小型學習系統的網絡，這些系統可以在它們之間分配任務。

深度學習

AIfES目前包含一個具有前饋結構的神經網絡，該結構也支持深度神經網絡。“我們對解決方案進行了編程，以便我們可以用一個功能來描述一個完整的網絡，”Gembaczka說。附加網絡的整合形式和結構目前正在開發中。此外，除了其他學習算法和演示器之外，研究人員和他的同事正在開發用于神經網絡的硬件組件。Fraunhofer IMS目前正在開發一種RISC-V微處理器，該微處理器將具有專門用于神經網絡的硬件加速器。正在針對此硬件優化AIfES的特殊版本，以便最佳地利用資源。