ROHM開發出一款設備端學習*AI芯片(配備設備端學習AI加速器的SoC)，該產品利用AI(人工智能)技術，能以超低功耗實時預測內置電機和傳感器等的電子設備的故障(故障跡象檢測)，非常適用于IoT領域的邊緣計算設備和端點*1。

通常，AI芯片要實現其功能，需要進行設置判斷標準的“訓練”，以及通過學到的信息來判斷如何處理的“推理”。在這種情況下，“訓練”需要匯集龐大的數據量形成數據庫并隨時更新，因此進行訓練的AI芯片需要具備很高的運算能力，而其功耗也會隨之增加。正因如此，面向云計算設備開發的高性能、昂貴的AI芯片層出不窮，而適用于邊緣計算設備和端點(更有效地構建物聯網社會的關鍵)的低功耗、可在設備端學習的AI芯片開發卻困難重重。

此次開發出的AI芯片，是ROHM在基于日本慶應義塾大學松谷教授開發的“設備端學習算法”，面向商業化開發的AI加速器*2(AI專用硬件計算電路)和ROHM8位高效CPU“tinyMicon MatisseCORE?(以下簡稱“Matisse”)”構成。通過將2萬門超小型AI加速器與高效CPU相結合，能以僅幾十mW(僅為以往AI訓練芯片的1/1000)的超低功耗實現訓練和推理。利用本產品，無需連接云服務器，就可以在設備終端將未知的輸入數據和模式形成“不同于以往”的數值并輸出，因此可在眾多應用中實現實時故障預測。

未來，ROHM計劃將該AI芯片的AI加速器應用在IC產

日本慶應義塾大學 理工學部信息工學科 松谷 宏紀 教授表示：“隨著5G通信和數字孿生*3等物聯網技術的發展，對云計算的要求也越來越高，而在云服務器上處理所有數據，從負載、成本和功耗方面看并不現實。我們研究的‘設備端學習’和開發的‘設備端學習算法’，是為了提高邊緣端的數據處理效率，創建更好的物聯網社會。這次，我校通過與ROHM公司進行聯合研究，進一步改進了設備端學習電路技術，并有望以高性價比的方式推出產品。我們預計在不久的將來，這種原型AI芯片將會成功嵌入ROHM的IC產品中，為實現更高效的物聯網社會做出貢獻?！?/p>

關于tinyMicon MatisseCORE?

tinyMicon MatisseCORE?(Matisse：Micro arithmetic unit for tiny size sequencer)

是ROHM自主開發的8位微處理器(CPU)，該產品旨在隨著物聯網技術的發展來提高模擬IC的智能化程度。憑借針對嵌入式應用而優化的指令集和最新的編譯器技術，以高標準實現了更小的芯片面積和程序代碼、以及更高速的運算處理能力。此外，該產品還符合汽車功能安全標準“ISO 26262”、ASIL-D等的要求，適用于對可靠性要求高的應用。另外，利用內置的自有“實時調試功能”，在調試時的處理可以完全不影響應用程序的運行，因此能在應用產品工作的同時進行調試。

AI芯片(配備設備端學習

AI加速器的SoC)詳細介紹

這次開發出的設備端學習AI芯片原型(產品型號：BD15035)在人工智能技術的基礎上，采用了慶應義塾大學松谷教授開發的“設備端學習算法(三層神經網絡*4的AI電路)”。為了推出可以投放市場的產品，ROHM將這種AI電路的大小從500萬門縮小為2萬門，僅為原來的0.4%，并將其重新構建為自有的AI加速器“AxlCORE-ODL”，同時，利用ROHM的8位高效微處理器“tinyMicon MatisseCORE?”進行AI加速器的運算控制，使得僅數十毫瓦的超低功耗AI訓練和推理成為可能。利用本產品，無需連接云服務器和事先進行AI訓練，就可以設備終端將未知的輸入數據和模式(例如加速度、電流、照度、聲音等)形成“不同于以往(異常度)”的數值并輸出，因此不僅可以降低云服務器和通信成本，還能通過終端AI進行實時故障預測(故障跡象檢測)。

另外，ROHM還提供可安裝微控制器開發板“Arduino*5”用擴展板(配備Arduino兼容引腳)的評估板，以方便客戶評估這款AI芯片。評估板上裝有無線通信模塊(Wi-Fi和Bluetooth?)以及64kbit EEPROM(內存)，只需將該評估板與傳感器等單元相連接，將傳感器裝在監控對象上，即可在顯示屏上確認AI芯片的效果。關于該評估板，如有需要歡迎聯系ROHM的銷售部門。

術語解說

*1) 邊緣計算設備和端點

將構成大數據基礎的服務器和計算機連接云端，即成為“云服務器”和“云計算設備”，而構成邊緣(端)側的邊緣計算設備則是指終端的計算機或設備。端點是指比邊緣計算設備更末端的設備和地點。

*2) AI加速器

在實現AI功能時，將由軟件讓處理器(CPU)執行處理改為通過硬件處理來提高處理速度的設備(或電子電路)。

*3) 數值孿生

一種將現實世界中的信息像雙胞胎一樣映射在虛擬空間(數字空間)中的技術。

*4) 三層神經網絡

在受人腦機制啟發而誕生的神經網絡(數學公式和函數的模型)中，由輸入層、中間層和輸出層組成的處理流程中，將中間層視為一層、總共僅由三層構成的簡單神經網絡。由幾十層中間層來執行更復雜的AI處理的多層神經網絡即為“深度學習”。

*5) Arduino

Arduino推出的由載有微控制器和輸入輸出端口的PCB板及軟件開發環境構成的開放源代碼平臺，已在全球廣泛普及。