Aujourd'hui, les microcontrôleurs peuvent être trouvés dans presque tous les appareils techniques, des machines à laver aux tensiomètres et aux appareils portables. Des chercheurs de l'Institut Fraunhofer pour les circuits et systèmes microélectroniques IMS ont développé AIfES, un concept d'intelligence artificielle (IA) pour les microcontrôleurs et les capteurs qui contient un réseau de neurones artificiels entièrement configurable. AIfES est une bibliothèque d'apprentissage automatique indépendante de la plate-forme qui peut être utilisée pour réaliser une microélectronique d'auto-apprentissage ne nécessitant aucune connexion à un cloud ou à des ordinateurs hautes performances. Le système d'IA lié aux capteurs reconnaît l'écriture manuscrite et les gestes, permettant par exemple le contrôle gestuel de l'entrée lorsque la bibliothèque s'exécute sur un appareil portable.

Une grande variété de solutions logicielles existent actuellement pour l'apprentissage automatique, mais en règle générale, ils ne sont disponibles que pour le PC et sont basés sur le langage de programmation Python. Il n'existe toujours pas de solution permettant d'exécuter et d'entraîner des réseaux de neurones sur des systèmes embarqués tels que des microcontrôleurs. Néanmoins, il peut être utile de réaliser la formation directement dans le système embarqué, par exemple lorsqu'un capteur implanté doit s'étalonner. La vision est une IA liée aux capteurs qui peut être directement intégrée dans un système de capteurs. Une équipe de chercheurs de Fraunhofer IMS a concrétisé cette vision sous la forme d'AIfES (Artificial Intelligence for Embedded Systems), une librairie de machine learning programmée en C pouvant fonctionner sur des microcontrôleurs, mais aussi sur d'autres plateformes comme les PC, Raspberry PI et Android. La bibliothèque contient actuellement un réseau de neurones artificiels (ANN) entièrement configurable, qui peut également générer des réseaux profonds pour un apprentissage en profondeur si nécessaire. Un ANN est une tentative de simuler mathématiquement le cerveau humain à l'aide d'algorithmes afin de rendre les contextes fonctionnels apprenables pour les algorithmes. AIfES a été optimisé spécifiquement pour les systèmes embarqués.

"Nous avons réduit le code source au minimum, ce qui signifie que l'ANN peut être entraîné directement sur le microcontrôleur ou le capteur, c'est-à-dire le système embarqué. De plus, le code source est universellement valide et peut être compilé pour presque toutes les plateformes. Parce que les mêmes algorithmes sont toujours utilisés, un ANN généré par exemple sur un PC peut facilement être porté sur un microcontrôleur. Jusqu'à présent, cela était impossible sous cette forme avec les solutions logicielles disponibles dans le commerce, " dit le Dr Pierre Gembaczka, associé de recherche à Fraunhofer IMS.

Protection de la vie privée

Autre caractéristique unique de l'IA liée aux capteurs de Fraunhofer IMS :jusqu'à présent, l'intelligence artificielle et les réseaux de neurones ont été principalement utilisés pour le traitement d'images et la reconnaissance vocale, parfois avec les données quittant les systèmes locaux. Par exemple, les profils vocaux sont traités dans le cloud sur des serveurs externes, car la puissance de calcul du système local n'est pas toujours suffisante. "Il est difficile de protéger la vie privée dans ce processus, et d'énormes quantités de données sont transmises. C'est pourquoi nous avons choisi une approche différente et nous nous détournons des processus d'apprentissage automatique dans le cloud au profit d'un apprentissage automatique directement dans le système embarqué.

Étant donné qu'aucune donnée sensible ne quitte le système, la protection des données peut être garantie et les quantités de données à transférer sont considérablement réduites, " dit Burkhard Heidemann, Chef de groupe "Systèmes Embarqués" chez Fraunhofer IMS. "Bien sûr, il n'est pas possible d'implémenter des modèles de deep learning géants sur un système embarqué, nous intensifions donc nos efforts pour créer une extraction de caractéristiques élégante afin de réduire les signaux d'entrée. » En intégrant l'IA directement dans le microcontrôleur, les chercheurs permettent d'équiper un appareil de fonctions supplémentaires sans avoir besoin de modifications matérielles coûteuses.

Réduire les données

AIfES ne se concentre pas sur le traitement de grandes quantités de données, à la place, ne transférant que les données nécessaires à la création de très petits réseaux de neurones. « Nous ne suivons pas la tendance au traitement du Big Data ; nous nous en tenons aux données absolument nécessaires et créons une sorte de micro-intelligence dans le système embarqué qui peut résoudre la tâche en question. Nous développons de nouvelles extractions de fonctionnalités et de nouvelles des stratégies de pré-traitement des données pour chaque problème afin que nous puissions réaliser le plus petit ANN possible. Cela permet un apprentissage ultérieur sur le contrôleur lui-même, " explique Gembaczka.

La démarche s'est déjà concrétisée sous la forme de plusieurs démonstrateurs. Si par exemple l'équipe de recherche a implémenté la reconnaissance de nombres manuscrits sur un microcontrôleur 8 bits peu coûteux (Arduino Uno). Cela a été rendu techniquement possible par le développement d'une méthode d'extraction de caractéristiques innovante. Un autre démonstrateur est capable de reconnaître des gestes complexes effectués dans les airs. Ici, les scientifiques d'IMS ont développé un système composé d'un microcontrôleur et d'un capteur d'orientation absolue qui reconnaît les nombres écrits dans l'air. "Une application possible ici serait le fonctionnement d'un appareil portable, » précisent les chercheurs. « Pour que ce type de communication fonctionne, diverses personnes écrivent les nombres un à neuf plusieurs fois. Le réseau de neurones reçoit ces données d'entraînement, en tire des leçons et, à l'étape suivante, identifie les nombres de manière indépendante. Et presque n'importe quelle figure peut être entraînée, pas seulement des chiffres. » Cela élimine le besoin de contrôler l'appareil à l'aide de la reconnaissance vocale :le portable peut être contrôlé avec des gestes et la vie privée de l'utilisateur reste protégée.

Il n'y a pratiquement pas de limites aux applications potentielles de l'AIfES :par exemple, un bracelet avec reconnaissance gestuelle intégrée pourrait être utilisé pour contrôler l'éclairage intérieur. Et non seulement AIfES peut reconnaître les gestes, il peut également surveiller la qualité des gestes. Les exercices et les mouvements de physiothérapie et de remise en forme peuvent être évalués sans avoir besoin d'un entraîneur ou d'un thérapeute. La confidentialité est préservée car aucune caméra ou cloud n'est utilisé. AIfES peut être utilisé dans une variété de domaines tels que l'automobile, Médicament, Maison Intelligente et Industrie 4.0.

IA décentralisée

Et il y a plus d'avantages à AIfES :La bibliothèque permet de décentraliser la puissance de calcul par exemple en permettant à de petits systèmes embarqués de recevoir des données avant traitement et de transmettre les résultats à un système supérieur. Cela réduit considérablement la quantité de données à transférer. En outre, il est possible de mettre en œuvre un réseau de petits systèmes capables d'apprentissage qui se répartissent les tâches entre eux.

L'apprentissage en profondeur

AIfES contient actuellement un réseau de neurones avec une structure d'anticipation qui prend également en charge les réseaux de neurones profonds. « Nous avons programmé notre solution pour décrire un réseau complet avec une seule fonction, " dit Gembaczka. L'intégration de formes et de structures de réseau supplémentaires est actuellement en cours de développement. En outre, le chercheur et ses collègues développent des composants matériels pour les réseaux de neurones en plus d'autres algorithmes d'apprentissage et démonstrateurs. Fraunhofer IMS travaille actuellement sur un microprocesseur RISC-V qui disposera d'un accélérateur matériel spécifique aux réseaux de neurones.Une version spéciale d'AIfES est en cours d'optimisation pour ce matériel afin d'exploiter au mieux la ressource.