单片机技巧

微控制器工程资源，微控制器新产品和电子工程新闻

人工智能

软件工具预测源代码中错误的可能性

通过 发表评论

阿尔特兰 宣布发布了一个新工具，可用于 的GitHub 可以预测在软件开发过程的早期，开发人员在源代码中产生错误的可能性。通过将机器学习（ML）应用于历史数据，该工具-称为“代码缺陷AI” –确定代码中可能存在漏洞的区域，然后提出一系列测试以诊断和修复缺陷，从而获得更高质量的软件和更快的开发时间。

错误是软件开发中不可或缺的事实。在开发生命周期中发现缺陷的时间越晚，修复错误的成本就越高。这个错误部署分析修复过程既耗时又昂贵。 代码缺陷AI允许较早发现缺陷，最大程度地减少修复缺陷的成本，并加快开发周期。

代码缺陷AI依赖于各种ML技术，包括随机决策森林，支持向量机，多层感知器（MLP）和逻辑回归。历史数据经过提取，预处理和标记，以训练算法并制定可靠的决策模型。给开发人员以置信度分数，该分数可以预测代码是否符合要求或存在包含错误的风险。

代码缺陷AI支持与第三方分析工具的集成，并且本身可以帮助识别给定程序代码中的错误。此外，使用Code Defect AI工具，开发人员可以在错误预测方面评估代码中哪些功能具有较高的权重，即，如果软件中有两个功能在评估可能的错误中起作用，则哪个功能将取得优先权。

代码缺陷AI是一种可扩展的解决方案，可以在内部部署以及在Microsoft Azure等云计算平台上托管。尽管该解决方案目前支持Microsoft拥有的GitHub，但可以根据需要将其与其他源代码管理工具集成。

该工具还可以在Microsoft AI Lab门户上使用，以便Microsoft开发人员可以下载该解决方案并在内部使用它。

基于软件的推理加速器可加速边缘设备上的AI部署

通过 发表评论

据说基于软件的推理加速器可以大大提高任何现有硬件上的深度学习性能。

如今，深度学习部署非常有限，并且主要针对云进行了优化。并且，即使在这些情况下，由于密集的计算需求，它们也会产生大量的处理成本，显着的内存需求以及昂贵的电源成本。这些挑战也困扰着在边缘设备上进行深度学习部署，包括无人机，移动设备，安全摄像机，农业机器人，医疗诊断工具等，而深度神经网络的当前规模和速度限制了它们的潜力。

深立方 专注于深度学习的研发 深立方改善AI系统在现实世界中部署的技术。该公司的多项专利创新包括更快，更准确地训练深度学习模型的方法，以及在智能边缘设备上大大提高的推理性能的方法。 深立方的专有框架可以部署在数据中心和边缘设备中的任何现有硬件（CPU，GPU，ASIC）之上，从而使速度提高和内存减少超过10倍。

深立方联合创始人Eli David博士说：“许多深度学习框架是由研究人员为研究人员开发的，不适用于商业部署，因为它们受到技术限制和现实应用中高成本要求的阻碍。 。 “ 深立方的技术可以在无人驾驶汽车，农业机械，无人机中实现真正的深度学习功能，甚至可以帮助潜在地监视和预防未来的全球健康危机，就像我们在2020年面临的危机一样。”

受儿童早期大脑发育方式的启发，DeepCube的专利技术在训练阶段不断重构和稀疏深度学习模型，以保持高精度并大大减小AI模型的大小。几家最大的半导体公司已经在使用DeepCube的技术来显着提高速度，并减少内存，以实现深度学习推理，而精度却降到最低。

深立方由Eli David博士和Yaron Eitan博士共同创立，他们不仅在深度学习研究和现实世界的执行方面，而且在技术创业方面都拥有数十年的经验。 Eli David博士是领先的深度学习专家，在领先的人工智能期刊和会议上发表了五十多篇论文，主要关注深度学习和遗传算法在各种现实世界中的应用。在加入DeepCube之前，David博士与他人共同创立了世界经济论坛技术先驱Deep Instinct，并且是第一家将深度学习应用于网络安全的公司。 Yaron Eitan是一位连续的技术企业家和投资者，拥有30多年的经验，他将用于指导DeepCube的业务执行。

“我们通过POC产生的初步改进表明，该技术可以在任何部门或行业的整个AI部署市场中实现真正的深度学习功能，这对于AI继续渗透新市场并极大地改善AI流程至关重要。 深立方联合创始人Yaron Eitan补充说，像医学领域这样的行业最需要它。

到目前为止，DeepCube已经获得了四项专利，此外还申请了另外四项专利。

要了解有关DeepCube业界领先技术的更多信息，请访问 www.deepcube.com.

使用CT图像进行AI辅助筛查COVID-19

通过 发表评论

尽管COVID-19测试是确定感染的一种方法，但该疾病的迅速传播导致测试套件短缺，并且用于创建测试套件的试剂供应紧张。症状是另一个征兆，但是某些感染者显示出非常轻微或没有症状。导致迅速诊断的另一种方法是对患者的肺部进行X射线或CT扫描。 CT扫描比X射线提供更高分辨率的图像。 CT扫描还显示出比实时RT-PCR（逆转录聚合酶链反应）更高的灵敏度。 RT-PCR是最敏感的技术 用于检测mRNA 作为诊断COVID-19的测试。

放射科医师还会探访COVID-19对医务人员的沉重负担的一部分，放射科医师会确定对患者肺部进行X射线或CT扫描是否显示出肺炎，COVID-19或其他原因。其他诊断工具包括脉搏血氧仪，用于指示血流中的氧气量。但是，放射科医师对于根据肺部图像解释COVID-19的严重性至关重要。除其他事项外，COVID-19显示出肺部不透明的“毛玻璃”外观。

技术助人一臂之力

在中国运营的新型冠状病毒性肺炎紧急反应流行病学团队（NCPERT）建立并部署了人工智能（AI），作为肺扫描中COVID-19的初步分析。在预印本中，未经审查的论文提交给 医学杂志xIV 作者指出：“在一支由30多人组成的跨学科团队中，他们具有医学和/或AI背景，分布在北京和武汉，我们能够克服这种特殊情况下的一系列挑战，并在四个星期内部署了该系统。使用来自五家医院的1,136个训练案例（COVID-19的723例阳性），我们在包括多种肺部疾病的测试数据集上实现了0.974的敏感性和0.922的特异性。 AI系统还用军团突出了所有区域，从而可以更快地进行检查。深度学习（DL）系统已在16家医院中部署，每天进行1300多次筛查。

NCPERT利用端到端深度神经网络模型，将他们先前开发的模型用于其他诊断，并构建了训练干扰管道。在快速评估了几种有希望的模型之后，他们从阳性病例中收集了训练数据，包括从其他肺部疾病的现有图像中得到的阴性数据，因此该模型可以有效地学习将COVID-19肺部图像与其他图像区分开。

AI辅助的COVID-19筛查
图1：系统的框架包括a）来自5家医院的数据，b）三阶段注释和质量控制，c）深度学习模型培训管道，以及d）部署到医院。 （图片： 病毒.org)

NCPERT使用来自5家医院和11种不同型号的CT扫描仪的样本图像来推广模型，“开发了一个三阶段注释和质量控制管道，使经验不足的数据注释者可以与高级放射线医生一起创建准确的注释，而花费的时间却最少。放射科医生。” NCPERT不断对模型进行重新训练，以随着更多数据的输入而提高准确性。该工具以易于使用的低成本平台提供，可供医院IT人员设置，并具有远程升级功能。使用该工具，无论其个人使用COVID-19的经历如何，医生都能够快速找到载玻片和区域进行详细检查，从而有助于改善诊断。

图2：从AI工具的用户界面可以看出，细分模型的典型预测的一些示例会突出显示病变区域。该模型确定了在COVID-19肺炎中发现的典型病变，包括毛玻璃样混浊，小叶间隔增厚，气管支气管征，血管增厚，挥舞性模式，纤维条纹和“蜂窝状肺”综合征。 （图片： 病毒.org)

该模型缺少直径小于1厘米的毛玻璃不透明性的某些正面信息，并且在对象引入运动或金属物体的多种类型的病变或图像中表现不佳。但是，通过提供初步结果，加快了筛选可疑COVID-19患者的分类过程，AI工具能够帮助不堪重负的医院。同样，经验不足的放射科医生也能够学会更好地检测COVID-19指示特征。收到第一组数据后，NCPERT在短短一周内就生产出了第一个可用模型。

有关NCPERT中国工程师，科学家和医师的团队的更多信息，他们可以在以下网址找到建立此AI模型以筛查CT肺部扫描中是否存在COVID-19的信息： 病毒 在题为“用于COVID-19筛查的AI辅助CT成像分析：在四周内构建和部署医疗AI系统”的预审前论文中。

 

参考文献
//www.medrxiv.org/content/10.1101/2020.03.24.20042317v1
//www.thermofisher.com/us/en/home/references/ambion-tech-support/rtpcr-analysis/general-articles/rt–pcr-the-basics.html
//www.medrxiv.org/content/10.1101/2020.03.19.20039354v1

载板托管Nvidia Jetson Nano模块

通过 发表评论

AN110载板随着人工智能的飞速发展，其应用已广泛应用于所有行业。结果，人工智能处理器已显着推向市场。但是，为了满足市场需求，GPGPU和边缘计算解决方案提供商Aetina Corporation为开发人员提供了各种替代产品和AI计算平台’ choices.

Aetina将参加2020年嵌入式世界，展示Jetson Nano模块AN110的专用载板。强大的计算能力，低功耗以及小巧的外观，Jetson Nano plus AN110随时可以向人们展示其AI能量。

Aetina AN110是Nvidia Jetson Nano模块的精美载板，通过提供472 GFLOPS的计算性能和低至5W（最大10W）的运行性能，激发了AI的潜力。同时，作为Nvidia系列中最小的智能平台，Aetina AN110的尺寸仅为87 x 67 mm，恰好适合该应用，非常适合社区使用。这一代的边缘设备已具备智能用途的能力，而Aetina AN110将为该平台配备多个I / O，包括1个HDMI Type A，1个RJ-45 GbE，2个USB3.2 Gen1 Type-A， 5个GPIO和1个DC-in 12V输入。此外，AN110支持1x 4K或1x FHD摄像头，以满足机器视觉的要求。不仅对于视觉关键型AI，Aetina AN110-Jetson Nano平台还扮演着至关重要的角色，它充当了智能门户，使社区实现了AI功能。

关注了Aetina’的业务远景，AN110与Jetson Nano的结合是Aetina的关键步骤之一’边缘的AIoT生态系统蓝图。该平台可能是具有尺寸特征和预算工具的理想选择，以启发城市的智能生活，并将嵌入式AI计算平台嵌入边缘设备以更接近AIoT。

 

软件平台和处理器组合可实现高效的嵌入式传感器应用

通过 发表评论

ECM3532 AI多核处理器Eta Compute Inc.宣布为其ECM3532量产第一批产品，ECM3532是全球首个用于嵌入式传感器应用的AI多核处理器。这种独特的多核设备具有该公司获得专利的连续电压频率缩放（CVFS），并为许多传感应用提供了微瓦的功耗。

Eta Compute的ECM3532是一种神经传感器处理器（NSP），适用于始终在线的图像和传感器应用。它将在 2020年tinyML Summit, 2月12日至13日，在加利福尼亚州圣何塞的三星电子公司。 Eta Compute是tinyML的金牌赞助商，并将演示用于图像识别和其他边缘感应应用的ECM3532。整个tinyML社区的目标是在网络边缘实现超低功耗机器学习。

Eta Compute的ECM3532系列将AI带到边缘设备，并将传感器数据转换为可操作的信息，以用于语音，活动，手势，声音，图像，温度，压力和生物识别应用程序等。该平台解决了边缘计算中最重要的问题：更长的电池寿命，更短的响应时间，更高的安全性和更高的准确性。

该公司的独立AI平台包括一个多核处理器，该处理器包括闪存，SRAM，I / O，外围设备和机器学习软件开发平台。获得专利的CVFS大大提高了边缘设备的性能和效率。自定时CVFS架构可自动连续地调整内部时钟速率和电源电压，以在给定的工作负载下最大程度地提高能效。 ECM3532多核NSP将MCU和DSP都与CVFS结合在一起，以优化执行以获得最佳效率，使其成为IoT传感器节点的理想解决方案。

主要特征： 

  • 5 x 5毫米81球BGA
  • 始终开启的应用中的有效功耗低至100μW
  • 带256KB SRAM，512KB闪存的Arm Cortex-M3处理器
  • 具有96KB专用SRAM的16b双MAC DSP用于ML加速
  • 具有TensorFlow接口的神经开发SDK，可将模型无缝集成到ECM3532

AI模块被誉为世界’s smallest

通过 发表评论

Murata Electronics Americas今天宣布，它与Google合作创建了世界上最小的人工智能（AI）模块。 珊瑚加速器模块。定制设计的模块将Google的Edge TPU ASIC封装在一个很小的尺寸内。该解决方案通过提供卓越的噪声抑制并在更小的占位面积上简化印刷电路板设计，克服了实施AI解决方案时遇到的一些最紧迫的挑战。小型化是关键，因为必须优化所有电路板空间，以在空间受限的操作中实现高度可靠的功能。合作的结果是一个解决方案，可加快执行AI所需的算法计算速度。

Coral的目标是使在设备级别运行的AI应用程序能够快速从原型过渡到生产。 Coral提供了完整的硬件组件，软件工具和预编译模型的工具包，用于使用本地AI构建设备。 AI模块是完全集成的Coral平台的组成部分，该平台可以在众多行业的众多应用中实施。

Murata与Coral紧密合作，以确保AI模块有助于实现灵活性，可伸缩性和兼容性，以便集成到部署Coral技术的应用程序中。为此，村田制作所利用其全球资源和数十年的研发经验&D在高密度设计和组件集成领域。

珊瑚加速器模块将于2020年初通过珊瑚网站出售。村田和Google将于1月7日至10日在2020年国际消费电子展在南厅– MP26061上展示其应用。有关该技术的更多信息，请参见 珊瑚加速器模块.

低功耗Arduino板可处理工业温度范围

通过 发表评论

低功耗Arduino Portenta在2020年国际消费电子展上，Arduino宣布了低功耗新型Arduino Portenta系列。专为苛刻的工业应用，人工智能边缘处理和机器人技术而设计，它具有开放式高密度互连的新标准，以支持高级外围设备。该系列的第一个成员是Arduino Portenta H7模块–双核Arm Cortex-M7和Cortex-M4分别以480MHz和240MHz的频率运行，并具有工业温度范围（-40°至85°C）的组件。 Portenta H7模块能够运行Arduino代码，Python和Javascript，从而使更广泛的开发人员可以访问它。

通过使用Altium Designer和Altium 365云平台进行硬件设计，可以进一步加快部署时间。使用Altium Designer的SMB和设计专业人员现在可以利用一系列Arduino参考设计资产，从经过验证的组件符号和封装到原理图和布局模板以及示例，使其比以往更快，更轻松地创建集成了Arduino模块化硬件的定制硬件设计。

Arduino软件也在不断发展以支持这种新的高性能硬件，在Arm Mbed OS开源IoT操作系统之上运行熟悉的Arduino代码，以提供具有用户友好型前端的企业级功能。计划于2020年2月推出。新的Arduino Portenta H7模块现已向beta版用户开放。 阿杜伊诺.cc/pro。 Beta计划最初针对企业和SMB客户以及专业制造商。

具有AI功能的MCU：基本设计场所

通过 发表评论

微型微控制器与强大的人工智能（AI）世界有什么关系，其技术分支还包括机器学习和深度学习？毕竟，AI设计主要与功能强大的CPU，GPU和FPGA相关联。

对？尽管这个想法离现实不远，但随着AI从云到边缘的旅程迅速改变，人工智能计算引擎允许MCU推动嵌入式应用可能的极限。首先，这使嵌入式设计能够提高网络攻击的实时响应能力和设备安全性。

支持AI的MCU
图1：在云中完成的分析越来越接近于感知和操作，这推动了对具有AI功能的MCU的需求；它减少了数据传输所需的带宽，并节省了云服务器的处理能力。 （图片：意法半导体）

配备AI算法的MCU正在应用包含对象识别，启用语音的服务和自然语言处理等功能的应用程序。它们还有助于提高物联网（IoT），可穿戴设备和医疗应用中电池供电设备的准确性和数据隐私性。

那么，MCU如何在边缘和节点设计中实现AI功能？下面是对三种基本方法的简要介绍，这些方法使MCU能够在IoT网络边缘执行AI加速。

三个MCU + AI场所

第一种方法（可能是最常见的方法）涉及各种神经网络（NN）框架（例如Caffe 2，TensorFlow Lite和Arm NN）的模型转换，用于在MCU上部署云训练的模型和推理引擎。有一些软件工具可以从云中获取经过预训练的神经网络，并通过将其转换为C代码来针对MCU进行优化。

在MCU上运行的优化代码可以在语音，视觉和异常检测应用程序中执行AI功能。工程师可以将这些工具下载到MCU配置中，并运行优化神经网络的推论。这些AI工具集还提供了基于神经网络的AI应用程序的代码示例。

图2：AI工具集执行模型转换以在低成本和低功耗MCU上运行优化神经网络的推论。图片：意法半导体

第二种方法绕过了从云借用的预训练神经网络模型的需求。设计人员可以将AI库集成到微控制器中，并将本地AI培训和分析功能纳入其代码中。

随后，开发人员可以根据从边缘的传感器，麦克风和其他嵌入式设备获取的信号来创建数据模型，并运行诸如预测性维护和模式识别之类的应用程序。

第三，AI专用协处理器的可用性使MCU供应商能够加快机器学习功能的部署。诸如Arm Cortex-M33之类的协处理器利用诸如CMSIS-DSP之类的流行API来简化代码的可移植性，从而允许MCU与协处理器紧密耦合，以加速AI功能（如协相关和矩阵运算）。

上述软件和硬件平台演示了如何通过根据嵌入式设计要求开发的推理引擎在低成本MCU中实现AI功能。这很关键，因为支持AI的MCU很有可能在IoT，工业，智能建筑和医疗应用中转变嵌入式设备的设计。

AI平台可让开发人员经济地运行AI推理

通过 发表评论

人工智能平台通过AIoT市场中的各种应用程序，开发人员提出了更多要求。为了满足多样化的需求，Aetina推出了新的Jetson TX2 4GB Edge AI计算平台，该平台具有Aetina Jetson TX2系列载板和Nvidia Jetson TX2 4GB模块，适用于AI视觉计算应用。该嵌入式AI平台使开发人员可以以Jetson TX1的两倍的性价比来运行AI推理。根据连接需求的多样性，Aetina提供了三种载板，它们支持丰富的I / O功能以及可用于驱动程序的扩展外围I / O模块。

Aetina Jetson TX2 4GB平台带来了1.3个TFLOP的AI性能和256个Nvidia CUDA内核，提供了Jetson TX1的双倍计算性能和能效。此外，与Jetson TX2相比，Jetson TX2 4GB提供了更好的性价比，从而降低了相同计算性能水平下的开发费用。

Aetina为板载I / O功能和扩展外围模块提供了完整的补丁文件，使开发人员能够快速培训和部署AI视觉计算项目。

 

现场可编程门阵列为嵌入式视觉和AI应用提供低功耗，小尺寸

通过 发表评论

交叉链接NX莱迪思半导体公司 宣布在其新的莱迪思Nexus 现场可编程门阵列平台上开发的首款FPGA， 交叉链接NX。这款新型FPGA提供了开发人员创建用于通信，计算，工业，汽车和消费类系统的创新嵌入式视觉和AI解决方案所需的低功耗，小尺寸，可靠性和性能。

现场可编程门阵列是嵌入式视觉和AI应用程序的引人注目的硬件平台，因为它们并行执行功能。这种并行体系结构极大地加速了某些处理工作负载，包括数据推断。

交叉链接NX系列是使用新的Lattice Nexus平台设计的，该平台将28 nm FD-SOI制造工艺与新的Lattice设计的FPGA架构架构结合在一起，该架构针对小尺寸低功耗操作进行了优化。

交叉链接NX的主要功能包括：

  • 低电量–CrossLink-NX基于Lattice Nexus 现场可编程门阵列平台构建，与同类同类FPGA相比，功耗降低了75％。
  • 高可靠性–CrossLink-NX的软错误率（SER）比同类同类FPGA低多达100倍，这使其成为必须安全可靠运行的关键任务应用程序的理想解决方案。最初的CrossLink-NX设备旨在支持在室外，工业和汽车应用中发现的坚固环境。
  • 性能–CrossLink-NX通过以下三个关键要素提供增强的性能：
    • 快速的I / O支持–由于支持多种快速I / O，包括MIPI，PCIe和DDR3存储器，CrossLink-NX 现场可编程门阵列非常适合嵌入式视觉应用。
    • 即时的性能–为了更好地支持无法接受较长系统启动时间的应用（例如工业电机控制），CrossLink-NX可以在3毫秒内实现超快速的I / O配置，并在不到15毫秒内实现整个设备配置。
    • 高内存逻辑比–为了在Edge设备中有效地支持AI推理，CrossLink-NX为每个逻辑单元提供170位内存，这是同类产品中最高的内存与逻辑比，提供的性能是上一代产品的2倍。
  • 小尺寸–为了支持客户系统的小型化，首款CrossLink-NX器件的尺寸为6 x 6 mm，比同类同类FPGA缩小了十倍之多。
  • 软件工具和IP –除其新的Lattice Radiant 2.0设计软件外，莱迪思还提供了强大的流行IP内核库，包括MIPI D-PHY，PCIe，SGMII和OpenLDI等接口以及用于常见嵌入式视觉应用（如4：1）的演示。图像传感器聚合。 

莱迪思将提前发布CrossLink-NX，并且已经在向部分客户提供器件样品。有关更多信息，请访问 www.latticesemi.com/CrossLink-NX.