- Advertisement -
首頁 標籤 ML

ML

- Advertisment -

Arm新NPU增添AI平台效能/應用性/效率

有鑑於增添 AI 功能的各式裝置愈來愈多,Arm日前宣布推出 Ethos 產品線的最新成員:ArmEthos-U65 微型 NPU(類神經網路處理器)。專注於 AI/機器學習(ML)處理、並提供全新效能點與能力的 Ethos-U65,保有 ArmEthos-U55 的功耗效率,並將其可應用性從 ArmCortex-M 延伸到 ArmCortex-A 與 ArmNeoverse 架構的系統,更達成兩倍的終端 ML 效能。 邊緣與終端裝置快速採用 AI 與 ML,不但帶動功能性的提升,同時也增加裝置與系統的需求。因此也意謂著供應商必須推出配備更高效能與終端 ML 能力的系統,同時維持或改善功耗效率。 Arm的...
0

Arm同步優化硬體運算暨軟體部署

為因應第五波運算時代來臨,以及5G加速推動AI與物聯網的實現,Arm在日前首次舉辦的Arm DevSummit 2020線上會議陸續發表幾項硬體發展藍圖,以及全新升級的軟體開發環境,為全球廣大的開發者提供發揮創意、實現創新、掌握商機的平台。 Arm揭露未來預計推出的兩個行動裝置 CPU,代號分別為 Matterhorn 與 Makalu。在全面運算(Total Compute)的第一代 – Matterhorn 世代的 CPU 中,將導入名為記憶體標籤擴充(MTE)的全新安全功能,防堵記憶體次系統可能出現的安全漏洞。而 Makalu 世代的 CPU 與現行的 Cortex-A78 相比,效能最高可以提升30%。 開發者若要創造消費者所需更複雜的數位沉浸式體驗,App 就必須持續朝 64 位元轉移。64 位元指令集提供硬體的效能提升與運算能力,讓這些體驗更快速且反應更即時。除了硬體提升之外,移至 64...
0

整合多階/類比記憶體運算 AI邊緣功耗難題迎刃而解

雖然使用者可以享受到這些AI應用帶來的益處,但同時仍有隱私、功耗、延遲和成本等諸多疑慮,這些疑慮便成為AI 應用的挑戰。如果有一個能夠從資料來源,執行部分/全部運算(推論)的本地處理引擎,那麼這些問題即可迎刃而解。傳統數位神經網路的記憶體存在功耗瓶頸,難以實現這一目標。為了解決此問題,可以將多階記憶體與類比記憶體內運算方法結合使用,使處理引擎滿足更低的毫瓦級(mW)到微瓦級(μW)功率要求,進而在網路邊緣執行AI推論。 雲端AI面臨隱私/功耗/延遲挑戰 如果透過雲端引擎為AI應用提供服務,使用者必須主動/被動上傳一些資料到雲端,運算引擎則在雲端處理資料並提供預測,然後將預測結果發送給終端用戶使用。以下概述資料處理過程面臨的挑戰(圖1): 1.隱私問題:對於Always-on、Always-aware設備,個人資料或機密資訊在上傳期間或在資料中心保存期限期間可能遭受濫用的風險。 2.不必要的功耗:如果每個資料位元都傳輸到雲端,則硬體、無線電、傳輸裝置以及雲端中不必要的運算都會消耗電能。 3.小批量推論的延遲:如果資料來自邊緣裝置,有時至少需要一秒才能收到雲端系統的回應。當延遲超過100毫秒時,人們便有明顯感知,造成不佳的用戶體驗。 4.資料經濟需要創造價值:感測器隨處可見且價格低廉,能夠蒐集大量資料,但是如果每筆資料都上傳到雲端進行處理的效益不高。 圖1 從邊緣到雲端的資料傳輸 要使用本地處理引擎解決這些挑戰,首先必須針對目標使用案例,利用指定資料集合對執行推論運算的神經網路進行訓練。這通常需要高效能運算和記憶體資源,以及浮點運算。因此,機器學習解決方案的訓練部分仍需在公共、私有雲或本地GPU、CPU和FPGA Farm上實現,同時結合資料集合來生成最佳神經網路模型。神經網路模型的推論運算不需要反向傳播,因此在該模型準備就緒之後,可利用小型運算引擎針對本地硬體進行深度優化。推論引擎通常需要大量乘積累加運算(Multiply Accumulate, MAC)引擎,隨後是啟動層,例如修正線性單元(ReLU)、Sigmoid函數或雙曲正切函數,具體取決於神經網路模型複雜度,以及各層之間的池化層。 大多數神經網路模型需要大量MAC運算。例如,即使是相對較小的「1.0 MobileNet-224」模型,也有420萬個參數(權重),執行一次推論需要多達5.69億次的MAC運算。此類模型中的大多數都由MAC運算主導,因此這裡的重點是機器學習計算的運算部分,同時還要尋找機會來建立更好的解決方案。圖2為一個簡單的完全連接型兩層網路。輸入神經元(資料)透過第一層權重處理。第一層的輸出神經元透過第二層權重處理,並提供預測,例如模型能否在指定影像中找到貓臉 。 圖2 完全連接的兩層神經網路 這些神經網路模型使用「點積」運算計算每層中的每個神經元,如下面的公式所示: Yi=∑i Wi Xi 〗 (為簡單起見,公式中省略了「偏差」項)。 在數位神經網路中,權重和輸入資料儲存在DRAM/SRAM中。權重和輸入資料需要移至某個MAC引擎旁以進行推論。根據圖3,採用這種方法後,大部分功耗都源自於獲取模型參數以及將資料登錄到實際發生MAC運算的ALU。從能量角度來看,使用數位邏輯閘的典型MAC運算消耗約250fJ的能量,但在資料傳輸期間消耗的能量超過運算本身兩個數量級,達到50皮焦(pJ)到100pJ的範圍。實際上,很多設計技巧可以大幅減少記憶體到ALU的資料傳輸,但整個數位方案仍受馮紐曼架構的限制。這意謂著,有大量的機會可以減少功率浪費。如果執行MAC運算的能耗可以從約100pJ減少到若干分之幾pJ,將產生什麼樣的可能性? 圖3 機器學習運算中的記憶體瓶頸 消除記憶體瓶頸並降低功耗 如果記憶體本身可用來消除之前的記憶體瓶頸(圖3),則在邊緣執行推論相關的運算就成為可行方案。使用記憶體內運算的方式,可以大幅減少必須移動的資料量,也就能消除資料傳輸期間浪費的能源。快閃記憶體單元運行時產生的主動功率消耗較低,在待機模式下幾乎不消耗能量,因此可以進一步降低能耗。 以Microchip子公司Silicon Storage Technology(SST)的memBrain技術為例,該解決方案奠基於SST的SuperFlash記憶體技術,這項技術已成為適用於微控制器和智慧卡應用的多階記憶體的公認標準。此解決方案內建一個記憶體內運算架構,允許在儲存權重的位置完成運算。權重毋需資料移動,只有輸入資料需要從輸入感測器,例如相機和麥克風,移動到記憶體陣列中,因此消除了MAC運算中的記憶體瓶頸。 這種記憶體概念基於兩大基本原理:一是電晶體的類比電流回應基於其臨界值電壓(Vt)和輸入資料,二則是基爾霍夫電流定律,即在某個點交匯的多個導體網路中,電流的代數和為零。瞭解這種多階記憶體架構中的基本非揮發性記憶體(NVM)位元單元也十分重要。圖4是兩個ESF3(第3代嵌入式SuperFlash)位元單元,帶有共用的抹除閘(EG)和來源線(SL)。每個位元單元有五個終端:控制閘(CG)、工作線(WL)、抹除閘、來源線和位元線(BL)。透過向EG施加高電壓執行位元單元的抹除操作,同時向WL、CG、BL和SL施加高/低電壓偏置訊號來執行程式設計操作,並且向WL、CG、BL和SL施加低電壓偏置訊號以執行讀取操作。 圖4 SuperFlash ESF3單元 採用這種記憶體架構,用戶可以透過微調程式設計操作,以不同Vt電壓對記憶體位元單元進行程式設計。記憶體技術利用智慧演算法調整記憶體單元的浮柵(FG)電壓,以從輸入電壓獲得特定的電流回應。根據最終應用的要求,可以在線性區域或閾下區域對單元進行程式設計。 圖5說明了在記憶體單元中儲存多個電壓的功能。例如,如果要在一個記憶體單元中儲存一個2位元整數值,需要使用4個2位元整數值(00、01、10、11)中的一個,進行記憶體陣列中,每個單元的程式設計。此時需要使用四個具有足夠間隔的可能Vt值之一,對每個單元進行程式設計。圖5的四條IV曲線分別對應於四種可能的狀態,單元的電流回應取決於向CG施加的電壓。 圖5 ESF3單元中的程式設計Vt電壓 受訓模型的權重透過程式設計設定為記憶體單元的浮柵Vt,因此,受訓模型每一層,例如完全連接層的所有權重,都可以在類似矩陣的記憶體陣列上進行程式設計(圖6)。對於推論運算,數位輸入,如數位麥克風,首先利用數位類比轉換器(DAC)轉換為類比訊號,然後應用到記憶體陣列。隨後該陣列對指定輸入向量並存執行數千次MAC運算,產生的輸出隨即進入相應神經元的啟動階段,隨後利用類比數位數轉換器(ADC)將輸出轉換回數位訊號。然後,這些數位訊號在進入下一層之前進行池化處理。 圖6 用於推論的權重矩陣記憶體陣列 這類多階記憶體架構模組化程度非常高,而且十分靈活。許多記憶體晶片可以結合在一起,形成一個混合了權重矩陣和神經元的大型模型(圖7)。在此案例中,M×N晶片配置透過各晶片間的類比和數位介面相互連接。 圖7 memBrain的模組化結構 截至目前,文章主要討論了該架構的晶片實施方案。提供軟體發展套件(SDK)可幫助開發解決方案,除了晶片外,SDK還有助於推論引擎的開發。SDK流程與訓練框架無關。用戶可以在提供的所有框架,包含TensorFlow、PyTorch等框架中,根據需要使用浮點運算創建神經網路模型(圖8)。創建模型後,SDK可協助量化受訓神經網路模型,並將其映射到記憶體陣列。在該陣列中,可以利用來自感測器或電腦的輸入向量執行向量矩陣乘法。 圖8 memBrain SDK流程 多階記憶體方法結合記憶體內運算功能的優點包括: 1.較低功耗:專為低功耗應用設計的技術。功耗方面的第一個優點是,這種解決方案採用記憶體內運算,因此在運算期間,從SRAM/DRAM傳輸資料和權重不會浪費能量。功耗方面的第二個優點是,快閃記憶體單元在臨界值模式下以較低的電流運行,因此主動功率消耗非常低。第三個優點是待機模式下幾乎沒有能耗,原因是非易失性記憶體單元不需要任何電力即可保存始終開啟設備的資料。這種方法也非常適合在權重和輸入資料的稀疏性時加以利用,如果輸入資料或權重為零,則記憶體位元單元不會啟動。 2.減小封裝尺寸:該技術採用分離柵(1.5T)單元架構,而數位實施方案中的SRAM單元基於6T架構。此外,與6T SRAM單元相比,這種單元是小得多。另外,一個單元即可儲存完整的4位元整數值,而不是像SRAM單元那樣需要4×6=24個電晶體才能實現此目的,從根本減少晶片上占用的空間。 3.降低開發成本:由於記憶體效能瓶頸和馮紐曼架構的限制,很多專用設備,例如NVIDIA的Jetsen或Google的TPU,趨向於透過縮小幾何結構提高每瓦效能,但這種方法解決邊緣運算難題的成本卻很高。採用將類比記憶體內運算與多階記憶體結合的方法,可以在快閃記憶體單元中完成晶片運算,這樣便可使用更大的幾何尺寸,同時降低掩膜成本(Mask Cost)和縮短開發週期。 邊緣運算應用的前景十分廣闊,然而,首先需要解決功耗和成本方面的挑戰,邊緣運算才能得到發展機會。使用能夠在快閃記憶體單元中執行晶片上運算的記憶體方法,可以消除主要障礙。這種方法利用經生產驗證的公認標準類型多階記憶體技術解決方案,且此方案已針對機器學習應用進行優化。 (本文作者為Microchip嵌入式記憶體產品開發總監)
0

格羅方德/Mentor合作推出ML晶片設計驗證方案

格羅方德日前在年度全球技術大會(GTC)上發表新款可製造性設計(DFM)套件,該產品在機器學習(ML)功能的協助下,性能大幅提升。這款ML增強型DFM解決方案,由格羅方德與西門子旗下的明導(Mentor)共同開發,並透過Mentor的Calibre nmDRC平台打造,為客戶提供更有效的設計和開發體驗,以縮短交貨時間為終極目標。 格羅方德日前在GTC上發表DFM套件 圖片來源:羅德方格 在格羅方德推出差異化的12LP+半導體解決方案後,新款ML增強型DFM套件可謂其製程設計套件(PDK)的更新版。12LP+建立在具備完整生產生態系統的平台上,針對AI培訓和推理應用進行最佳化,目前已準備在美國紐約州馬爾他的晶圓8廠(Fab 8)進入生產階段。 自2009年成立以來,格羅方德率先開發出一套名為DRC+的DFM檢查平台,該平台結合了電子設計自動化(EDA)軟體的各類模式配對工具,並搭配良率減損器模式庫(Proprietary Library of Yield Detractor Patterns)。DRC+能讓晶片設計工程師預先偵測出早期設計中的瑕疪模式或熱點,避免潛在的製造缺陷。 格羅方德與明導合作將格羅方德開發的ML模型整合到DRC+中,藉此增強DRC +的識別能力,偵測出前所未見的新熱點模式並改善產能。拜格羅方德於製造過程中所蒐集的矽數據所賜,新款ML增強型DFM套件經訓練後已通過驗證,足以讓晶片設計工程師在設計初期發現並緩解潛在問題時更加順利。對於致力成功原型設計和規模製造的設計工程師而言,在開發階段找出並解決這些熱點問題至關重要。 格羅方德的12LP+ 專為滿足快速增長的AI市場特定需求所設計,可針對性能、功率和面積效率等方面提供最佳組合。幕後新功臣則包括更新後的標準元件庫、用於2.5D封裝的中介層,以及低功耗的0.5V Vmin SRAM位單元,以支援AI處理器和記憶體之間的低延遲和低功耗數據往返。 12LP+平台以格羅方德14nm/12LP平台為基礎,目前已出貨超過一百萬片晶圓。12LP+平台的性能之所以超越12LP,在於將SoC級邏輯性能提高20%,以及邏輯區域縮放方面提高10%。而這些進步的實現,可歸功於12LP+平台的下一代標準單元庫,因其具備性能驅動的面積最佳化組件、單一Fin單元、新款低電壓SRAM位單元,以及改良後的類布局設計規則。
0

意法推內建機器學習內核心高精度傾角計

意法半導體(ST)所推出之IIS2ICLX是一款高精度、低功耗的雙軸數位傾角計,用於工業自動化和結構安全監控等應用,具有可設定的機器學習內核心和16個獨立可設定之有限狀態機,有助於為邊緣裝置節能省電,減少向雲端傳輸的資料量。 不僅內建先進的嵌入式功能,IIS2ICLX還能夠降低系統功耗,延長電池供電節點的續航時間。該感測器固有之特性可簡化與高性能產品的整合,並大幅地減少感測器校準工作量和成本。 IIS2ICLX傾斜計採用MEMS加速度計技術,±0.5 /±1 /±2 /±3g滿量程可選,並透過I2C或SPI數位介面輸出資料。嵌入式補償單元使溫漂保持在0.075mg/°C以內,即使環境溫度發生劇烈變動,感測器的測量精度和重複性表現也非常出色。15μg/√Hz的低雜訊密度可達到高解析度傾角監測,以及結構健康監測所需的低聲壓的低頻震動測量。 IIS2ICLX具有高穩定性和可重複性、高精度和高解析度的優勢,適合於工業應用,例如天線指向監測、雲台調平、叉車和建築機械、調平儀器、設備安裝監測、以及太陽能板安裝和光線追蹤,以及工業4.0應用,例如,機器人和自動駕駛汽車(Autonomous Guided Vehicle, AGV)。 在結構安全監控中,IIS2ICLX可以準確地測量傾斜度和震動,協助評估人員分析高樓等建築物,以及橋樑或隧道等基礎建設結構的完整性。相較採用早期相較昂貴之探測技術的結構安全監控感測器,的電池供電且價格適中的IIS2ICLX MEMS傾斜感測器能夠為更多結構進行安全監控。 許多高精度傾斜計是單軸測量裝置,而2軸IIS2ICLX加速度計卻可以監控兩個坐標軸與水平面的傾斜角(俯仰角和翻轉角),或者將兩個坐標軸合併成單軸,測量物體與水平面單一方向的傾斜角,可重複測量精度,而且解析度更高,同時亦可測量±180°範圍內的傾角。數位輸出可以節省外部數位類比轉換或濾波元件,簡化系統設計,降低物料清單(BOM)成本。 為了簡化IIS2ICLX的開發設計,加速應用開發週期,意法半導體還提供了專門的感測器校準和傾斜角即時運算軟體庫,這些軟體庫屬於STM32Cube的X-CUBE-MEMS1擴充套裝軟體。
0

感測/無線連接/AI高度結合 智慧物聯網萬事俱備

隨著無線感測與感測器技術演進,物聯網的應用逐漸落地,其中設備維護、無線網路連接、深度感測及人工智慧(AI)運算需求,皆是物聯網發展的重要技術。工業4.0透過自動化狀態監測(CbM)的即時預警,能確保產線上的設備正常運作,以及大型公共建設與交通系統安全。Wi-SUN千點組網則確保遠距傳輸的穩定性跟速度,而3D深度感測實現各項環境辨識與虛擬實境應用。最終加上人工智慧的運算助力,感測器的精準度便能顯著提升。 MEMS感測器高穩定/低成本助攻CbM 工業4.0時代,工廠走向智慧化、自動化,生產線上的機械手臂應用越來越多,但設備存在長時間使用後失效的風險,因此需要感測器即時預警生產線上的突發狀況,避免造成巨大損失。茂宣專業技術經理王浚睿(圖1)說明,以晶圓廠為例,設備失效最嚴重的狀況,可能是產線停工所導致千萬元的損失。此外,CbM也能應用在公共建設與交通工具,如橋梁、飛機、火車系統中,能夠避免意外發生。 圖1  茂宣專業技術經理王浚睿表示,MEMS感測器採用CMOS製程,具有產品的一致性佳,對於低頻訊號的反應回饋良好 CbM的振動量測在感測器的選擇上,常見壓電式(Piezo)或微機電系統(MEMS)兩種類型。Piezo是市場上目前比較常見的震動感測器,使用陶瓷材料設計的壓電元件,只能手工量產,所以產出有限且成本較高,在低頻訊號方面的反應較為遲鈍,並容易受到環境溫度影響而出現飄移。相較Piezo,MEMS感測器採用CMOS製程,具有產品的一致性佳,對於低頻訊號的反應回饋良好,且雜訊強度(Noise Density)低、不容易因為溫度變化飄移等優勢,可以做為震動感測的選項之一。例如亞德諾半導體(ADI)的ADXL系列MEMS感測器除了噪聲比較低,還具備無線模組,使得感測器的布建更方便。 建置MEMS感測器時,需考慮位置、連接方式、馬達以外的機件、尺寸四大面向。王浚睿解釋,位置方面,尋找震動源之前,須確定量測的位置正確。如果測量的位置跟震動源距離太遠,或是傳導的時候震動幅度已經遞減,量到的訊號就不夠精確。同時,感測器連接的方式很多,找到正確的感測器型號來連接待測物是一大重點。各型號的感測器頻率響應曲線不同,須依照感測器標注的最大測量頻率選擇適合的類型。接著,確定在機械結構中欲測量的部分,才能確認震動所造成的異音為高頻或低頻訊號。最後,感測器的尺寸應取決於整體的配重。感測器不能比待測物重,以免影響待測物本身的震動狀況。 藉由CbM的應用,正確建置的MEMS感測器能隨時感知生產線上的震動狀況,並在出現異常現象時即時預警,避免設備問題而影響產線運作。此外,CbM為交通系統與大型公共建設維持安全性,促進工廠安全及城市安全的維護工作朝向自動化發展。 Wi-SUN具遠距傳輸/高穿透特性 智慧城市的應用與物聯網息息相關,未來物聯網將有非常多結點布建到城市中,海量的連線需求需要高覆蓋、穩定的通訊系統支援。濎通科技行銷經理呂沐勳(圖2)觀察物聯網通訊的痛點,遠端更新是必要的功能之一,因為軟體不斷更新,如果裝置不具備遠端更新的功能,就需要靠人力個別更新,不符合成本效益。電池方面,使用電池發電的裝置,需要考慮電池壽命,如果電池更換得太過頻繁便會拉高成本。同時,有些通訊協定由廠商自行開發,因此發展新應用時,必須諮詢原先制定協議定的公司,才能擴大發展相關應用,顯得限制重重。 圖2 濎通科技行銷經理呂沐勳認為,Wi-Sun技術適合應用在智慧城市、智慧能源等領域                   面對大範圍的無線網路傳輸需求,呂沐勳認為,Mesh組網的Wi-SUN技術可以解決前述的物聯網通訊痛點,適合應用在智慧城市、智慧能源等領域,如東京電力公司已全面使用Wi-SUN智慧電表,取代NB-IoT電表。Mesh組網具自適應的網路系統,可以自動組網,當環境中增加新的節點,Mesh組網會自動連線。另外,因為Mesh組網具備自動修復功能,如果網路中增加新的建築物,切斷原本的組網路徑,Mesh組網便會透過別的節點重新連接,維持連線順暢。 看好Wi-SUN的特性,濎通科技提出Wi-SUN通訊方案,採用RF及PLC的雙模融合技術,設計出整合線傳輸PLC跟無線傳輸的單晶片,運用演算法自動切換,在無線連線中斷時執行有線傳輸,有線傳輸中斷時則改用無線連接,達到同時滿足快速且穩定的長距離傳輸效果。 呂沐勳進一步說明,良好的物聯網通訊解決方案應具備三項特色,其一是無頻段授權/通訊費。以電信商營運的NB-IoT為例,在電信商的管理之下,每個節點都需要支付電信費用,導致傳輸成本較高。二則是具有長距離/高穿透/廣覆蓋,以及自動組網/自動修復功能,以濎通的VC7300為例,其優勢便在於可從地下2樓傳輸到地上6樓,滿足智慧電表的抄表需求。最後則是支援IPv6協定,才能讓每個節點都有身分認證,確保連線安全。 3D感測走入消費市場 感測技術與無線通訊的結合促使物聯網應用落地,而感測領域其中的一大趨勢即為3D感測。艾邁斯半導體台灣區總經理李定翰(圖3)提及,3D感測的應用越來越熱門,其發展主要聚焦在行動裝置、智慧家庭、工業自動化與自動駕駛四個面向。行動裝置上的應用演進最快,從過去以鏡頭為重心的設計,轉為加入距離測量、人臉辨識、虛擬實境遊戲、實境導航等功能。在安全驗證方面,智慧型手機及智慧建築的身分驗證不只透過指紋,更搭配臉部辨識提高安全性。同時隨著疫情出現戴口罩而難以辨識人臉的情境下,中國已研發出可以辨識戴口罩的臉部辨識系統。 圖3 艾邁斯半導體台灣區總經理李定翰指出,目前ToF的應用逐漸從iToF走向dToF 當3D感測應用在智慧家庭,以掃地機器人為例,過去的掃地機器人大多藉由放置虛擬牆或使用紅外線偵測決定移動路線。新一代放入ToF感測器的機器人,在清潔空間之前,會先行掃描環境,甚至搭配3D感測布建地圖,計算出最快速及省電的打掃路徑。如果將3D感測模組放入冰箱中,便能測量裡面的材積容量大小調整溫度,或者提出某些區塊的食物已經放超過一個禮拜的警示,達到省電與協助管理食材的效果。 李定翰表示,目前ToF的應用逐漸從iToF走向dToF。iToF的鏡頭有很多限制,在陽光下感測器很容易飽和,同時進行多工傳輸的路徑容易讓運算有問題。而dToF的量測則更為精確,可測量的距離也更遠。隨著電子元件及PVC的精確度、製程進步,dToF很快就會取代iToF,例如臉部辨識的變型,可以結合最新的dToF輔助演算。如線上購物廠商,為鞋子、衣服的尺寸數據建立資料庫,消費者只需要輸入身高、三圍,即可在網站上進行3D試穿模擬。 AI力助終端感測 除了3D感測,在AIoT市場,感測器的應用也開枝散葉,智慧醫療、智慧家庭、智慧城市、智慧農業,無處不見AI、IoT與感測器結合的應用。Arm應用工程總監徐達勇(圖4)舉例說明,醫療照護藉由生理感測預警疾病症狀;工業4.0藥品包裝產線,採用人工智慧視覺辨識,確認每個包裝內的藥品數量相同,或者透過震動感測確認工廠設備有無異常;農業中的蝦子養殖,運用AI影像辨識,確保蝦子的飼料不會因為過量而影響水質,也能隨時觀察蝦子的健康。 圖4 Arm應用工程總監徐達勇提及,Arm預估2020~2024年,每年AIoT裝置會有至少20%的成長 AI運算的位置分為雲端、本地及裝置三種,徐達勇指出,調查客戶希望AI運算的位置,53%的客戶青睞在裝置端運算,比較困難的特定需求再進行雲端運算。雲端運算雖然提供強大的算力,但是延遲問題、高頻寬需求、安全性跟隱私疑慮,促使多數客戶傾向選擇在裝置上運算。 雖然客戶偏好AI的終端運算,然而終端運算會面臨幾項挑戰。一是終端裝置的應用很重視使用者體驗,需要提高算力才能達到提高使用者體驗的目的。此外,終端裝置的設計重視成本控制,同時裝置電力來源多半是電池,因此低功耗也是設計重點。最後,不論選擇何種運算方式,隱私安全都是客戶重視的關鍵。對此,Arm近期設計的IP Cortex-M55便以加速AI運算為目標,特別加強DSP跟機器學習的運算能力。 如果採用通用處理器執行機器學習運算,相對的效能比較差,生產晶片的成本就會提高,所以此設計聚焦在DSP/機器學習的運算能力提升,並且提高處理器或能源的效率,達到降低功耗的目的。資安方面沿用Arm第8代MCU開始的TrustZone功能,處理器可以分成兩種執行模式,安全性比較敏感的內容就使用安全模式執行。 觀察AIoT的趨勢,徐達勇表示,Arm預估2020~2024年,每年AIoT裝置會有至少20%的成長,並且到年底之前,至少20%的終端裝置會具備機器學習功能。因此Arm專注AIoT的市場發展,IP瞄準AI終端裝置的效能需求設計,可望滿足未來不斷增加的市場需求。
0

所羅門參加台灣鈑金雷射展 秀智慧製造新應用

2020台灣鈑金雷射展在9月18日到9月22日於台中舉辦,所羅門以「來自眼界的智慧啟動製造業智能化」為主題參展,在展覽中展出智慧焊道檢測方案與智能取放系統等智慧製造相關應用,並在大會研討會上演講「AI機器視覺如何協助業者省力省時-以焊道檢測、智能打磨、智能夾取為例」。 所羅門表示,在智慧製造應用上,焊接後的焊道表面處理一直是業界的一道難題。焊道檢測需要事先教導檢測路徑、精密定位檢測、且需要經驗豐富的師傅人工判斷檢測與標記焊道位置,整體監控流程複雜且冗長。 透過深度學習,所羅門AI 3D視覺系統讓機器人成功辨識何謂焊道,因此能在工件上自動標定焊道的長寬高與位置,即便工件被隨意擺放,所羅門AI 3D視覺系統也能自動標記檢測焊道位置,並在電腦螢幕利用不同顏色示意,讓作業人員更直覺式掌握工件的焊接狀況,可大幅簡化焊道檢測流程。這項技術已獲得日本最大焊接機器人公司青睞,八月份在台北自動化展展出時,也吸引相關業者前往參觀,產品詢問度不斷。 所羅門指出,加入AI的機器視覺,如同賦予機器人感知能力,能讓機器人執行過往做不到的事情,更符合現今業者彈性需求的工作環境。譬如說,料籃裡雜亂隨意堆置的物件,通常需要作業人員整齊擺放後,機械手臂才能取料。但藉由AI辨識,無論物件是否有三維CAD檔,所羅門AI 3D視覺系統均可精準判斷亂堆中物件的面向及3D座標,並快速計算最佳抓取路徑導引手臂,與避開會碰撞料籃的位置。 除了搭配機械手臂取放物件外,所羅門AI 3D視覺系統亦可自動導引手臂完成如噴塗膠、切割、去毛邊、焊接、檢查等工作。使用者只要透過電腦設定手臂在物件上該經過的點位、毋需將物件擺放在固定的位置,即能判斷物件的位移而自動調整並引導機器人走對的路徑。所羅門AI 3D視覺產品可廣泛應用在智慧物流與智慧製造領域。視覺系列產品已獲得國際前三大物流商與多家全球500大企業使用,例如物流、汽車、製造、鞋業、藥廠等。
0

凌華推一站式邊緣方案 簡化工業AI機器視覺部署

邊緣運算解決方案商凌華科技(Adlink)推出全新的 NEON-1000-MDXAI智慧相機系列以及智慧棧板解決方案,搭載 Intel Movidius Myriad X VPU(支援經過 OpenVINOTM 最佳化的推論模型)與凌華科技的 Edge 視覺軟體,以快速、簡單的方式將以AI為基礎的機器視覺導入現有環境。此all-in-one解決方案讓機器視覺專家和開發人員更快地建構、測試和部署機器學習(ML)模型,同時為IoT解決方案團隊和系統整合商提供連接、串流及自動化機器視覺工作所需的工具。 凌華科技IoT策略解決方案與技術事業處資深產品經理許凱翔表示,在這個生產高度智慧自動化的時期,人們都感受到提高產量的壓力。若要在不影響目前工作流程的前提下引進自動化,AI機器視覺是最快速、最簡單且最具成本效益的方式之一。例如,該公司的智慧棧板解決方案經證實可將傳統條碼掃描時間縮短90%,同時提供客製化服務,除了安裝智慧相機之外,完全不必動到生產線。採用高度整合的NEON-1000可有效減少佔用空間、可靠性和相容性問題,並且為客戶減輕維護負擔。 Intel Movidius Myriad X VPU將ML模型最佳化並提供良好的AI運算能力。NEON-1000-MDX 智慧相機能排除感測器模組、接線與VPU模組間的複雜整合問題,簡化機器視覺部署流程。透過預先安裝的Edge Vision Analytics(EVA)SDK,使用者可以根據環境和系統需求使用各種現成外掛程式,同時使用OpenVINO優化過的神經網路進行推論,不需要額外的編碼或整合工作。 全新一站式NEON-1000-MDXAI智慧相機支援產品分類和瑕疵偵測,能將智慧製造的生產效率最大化,如同獲獎肯定的凌華科技 Edge 智慧棧板解決方案。智慧棧板將智能化和自動化導入手動倉儲作業,例如收貨、揀貨、包裝、運輸和工作人員安全。智慧棧板提供端對端整合式系統,以連接新設備與現有設備、擷取多個影像資料流,並利用 NEON-1000-MDX VPU 的高效能處理能力實現邊緣機器學習與推論。 透過凌華科技 Edge軟體平台,開發人員可以與任何現有的雲端、機器學習平台、神經網路、工業相機、機器視覺系統、機械等連線並整合,不限供應商。凌華科技的機器視覺AI軟體能依據所見物體分類、隨時間推移變得更聰明,以及建立自動化工作流程。 凌華科技IoT解決方案與技術部副總Steve...
0

新冠疫情加速製造業數位轉型腳步 AI視覺/手臂整合更強大

就在新冠疫情起起伏伏,製造業者對智慧製造的需求更加迫切的背景下,2020年台灣科技相關產業的第一個大型實體展覽—台北國際自動化展揭開了序幕。雖然參觀人士必須戴著口罩才能入場,但場內觀展的人潮仍不在少數,且許多參展廠商都端出了人工智慧(AI)相關的展示內容,更讓今年的自動化展飄著濃濃的AI味。 安全皮膚技術助陣 工業機器人走向協作化 新冠疫情使得許多工廠面臨現場勞動力不足的考驗,進而使工廠人機協作的升級轉型需求大增。但工業機器手臂為追求生產效率的極大化,作業時往往必須與人類作業員保持安全距離,使得人機協作的理想很難落實。如何讓工業機器手臂與人類作業員安全地協同工作,成為機器手臂產業的重大議題。 為實現工業協作手臂的理想,專注研發機器手臂安全皮膚的原見精機,與日本川崎重工(KAWASAKI)攜手合作,共同發表了搭載安全皮膚的工業機器手臂(圖1),藉由高達95%且無死角的包覆度,讓工業機器手臂的安全度大為提升,並朝工業協作的目標跨出一大步。 圖1 原見精機與川崎重工合作,讓原本專為工業應用設計的KHI RS007L機器手臂,在加裝專為其設計的安全皮膚後,升級為工業協作手臂 原見精機董事長蘇瑞堯表示,該公司自2017年創立以來,靠著全球唯一的表面式力感測器解決方案,獲國內外諸多機器人龍頭廠商青睞,攜手提升智慧製造人機協作的安全性。很榮幸本次與川崎重工進一步深化夥伴關係,推出搭載於其機械手臂、市面上包覆最完善的機器人觸覺技術解決方案,現正於日本進行最後檢測實驗,預計不久後即可問世量產。該公司將持續以MIT的堅強技術實力,與更多夥伴攜手打世界盃,以安全的工業協作自動化為核心,擘畫下世代工廠未來。 川崎重工新事業開發部部長野田真指出,產業環境日新月異,川崎重工於工業自動化與機器人產業發展的五十多年間,不斷開發並尋找能符合市場需求的技術。原見精機獨有的觸覺感測解決方案,有效促進大型工業機器人與人類的協作,為新時代自動化產業的發展注入活水。搭載於KHI RS007L的T-Skin安全皮膚新產品,提供機器手臂在協作同時又保有完整的工業精準特性,升級為堅實、精準、耐用的下世代機器人。 原見精機的T-Skin安全皮膚,具有高感度特性,只要一公斤力碰觸就可命令機器人停止。該產品是全球第一個通過歐盟CE驗證最高規格的觸覺感測安全產品,且符合人機協作技術規範ISO/TS 15066的人體安全撞擊測試,產品安全與功能安全均獲認可,達到完整機械系統的安全要求。 原見精機總經理盧元立則進一步說明,KAWASAKI的輕量型機器手臂KHI RS007L是目前同一負重等級中,全球運作速度最快的機械手臂。該手臂原本是專為工業應用設計的產品,但由於人機協作是機器手臂很重要的發展趨勢,如何讓工業機器手臂在快速、精準的既有優勢上,提高其安全性,是許多機器手臂業者都在追求的目標。 在既有的工業手臂上加裝安全皮膚,可讓工業手臂快速升級為工業協作手臂,且成本也遠低於購置新的協作型手臂(Cobot)。但安全皮膚必須針對手臂進行深度客製化,才能避免安全皮膚拖累或干擾機器手臂的運作。原見與川崎重工合作,為KHI RS007L開發專用安全皮膚T-Skin的目的,就是為了讓該手臂能一方面保有其輕巧快速的優勢,另一方面又更加安全。 除了與川崎重工直接合作外,原見也已經針對其他機器手臂品牌的多款產品開發出外掛式的安全皮膚,可讓製造業者用最實惠的投資額,將既有的工業手臂升級為工業協作手臂。 驅控整合式機器關節讓手臂設計更彈性 在本次自動化展中,除了安全皮膚外,與機器手臂有關的重要技術,還有工研院所發表的第三代驅控整合式機器關節。 工研院機械所智慧機器人技術組長黃甦表示,目前市場上絕大多數機器手臂的臂長與構型,都是由機器手臂原廠定義,使用者跟系統整合商(SI)無法依照自家產線的需求或場域狀況進行調整,也使得某些很特別的應用場域找不到適合的機器手臂。因此,工研院發想出新的設計理念,把整隻手臂拆分成一個個關節單元,讓使用者或SI可以依照應用場域的狀況,在一定的容許範圍內,針對每一節手臂的臂長、手臂的整體構型進行客製化,打造出量身訂做的機器手臂。 目前這項技術已經發展到第三代,與前兩代關節模組相比,第三代關節模組單位重量的扭力輸出較第一代關節模組增加約30%,臂長則比第二代更長,又取消了L型關節設計,只保留N型與I型關節,因此整支手臂的外觀更纖長,但又比第二代關節模組多出一個自由度,可實現七軸手臂設計(圖2)。整體來說,利用第三代關節模組組成的機器手臂,比以往的手臂更不占空間,卻又因為多出一個自由度,能負擔更多元化的作業任務。 圖2 工研院機械所展示利用其第三代機器關節模組實現的高度客製化機器手臂 黃甦透露,目前新竹清華大學已經採購了兩支由第三代關節組成的機器手臂,將以此進行雙臂機器人的開發,另也有醫療產業的SI業者利用第三代關節更不占空間的特性,設計出手術用的輔助機器人,可以在開刀房內執行夾持內視鏡這類原本由護士執行的助理工作,讓護士可以去做其他工作。 此外,還有多家台灣的馬達、齒輪等手臂零組件業者,也已經向工研院取得技轉,利用這項技術發展出內建自家馬達、齒輪等關鍵零組件的關節模組。跟提供零組件相比,提供關節模組不僅更貼近SI客戶的需求,單價跟利潤空間也比只銷售零組件更好。 機器視覺/AI緊密結合 手臂應用場景更多元 除了手臂本身的進步外,本次自動化展上,結合人工智慧的機器視覺也比往年更有看頭。所羅門以「AI 3D視覺賦予機器人感知能力」為主題參展,與合作夥伴共同展出多達16項智慧製造與智慧物流的相關應用,包含台灣首次發表的智慧物流分撿與包裝解決方案、智慧焊道辨識方案、智慧打磨系統。 所羅門董事長陳政隆指出,轉型智慧工廠,只有機器手臂是不夠的,因為無法成功辨識物件的機器手臂,在實際的產業應用上會受到很多限制,而這也是所羅門發展AI 3D視覺的主要原因。有AI 3D視覺的機器人,才能讓機器人的應用更多樣化,真正符合產業彈性製造的需求。 事實上,所羅門近年來在AI、機器視覺與機器手臂的整合應用上,投入了相當多資源,每年自動化展上的現場展示,也隨著機器視覺的辨識能力越來越高,而變得更多樣化、更複雜,更貼近實際應用需求。 圖3 所羅門展示的AI智慧焊道辨識方案 據所羅門評估,現在AI、機器視覺與機器手臂的整合應用,已經脫離技術驗證階段,開始走向大量部署。但有許多客戶反應,受到網路頻寬、延遲等因素的影響,現階段要在產線上部署這種高度智慧化的系統,必然要在產線旁配置搭載了高階繪圖卡的工業電腦,由此衍生的成本也是不小的導入障礙。因此,所羅門正著手將其AI機器視覺系統雲端化,以便在網路性能進一步提升,例如5G、TSN網路普及後,能立刻提供用戶雲端部署的選項,降低硬體建置的費用。 AI結合領域知識 自動化長智慧 在本屆自動化展中,幾乎所有跟影像有關的應用,不管是以機器視覺引導機器手臂運作,或是用機器視覺對大小工業產品進行檢測,都能看到AI技術的身影。對工業自動化產業而言,這是頗不尋常的現象。 由於工業自動化對系統的穩定度、可靠度要求遠高於一般資通訊產業或消費性電子產業,因此自動化相關業者對於新技術導入,向來採取比較審慎、保守的態度,除非技術已經相當成熟,否則不會輕易將其導入到自家的產品或解決方案中。 但AI在自動化應用中普及的速度,打破了自動化產業穩紮穩打的習慣,從今年自動化展的展示內容,可以發現相關業者並不是把AI當作展現研發實力的題目,而是真的已經在生產線上累積了一定的部署實績。 俗話說,禍福相倚。新冠疫情對製造業的正常運作造成十分巨大的干擾,但同時也促使製造業者加快數位轉型的腳步,並使得新技術的導入速度明顯加快。對自動化業者,乃至更上游的電子設備、半導體元件供應商來說,或許也算是失之東隅,收之桑榆吧。
0

台積電7nm生產超過10億個裸晶 6nm已進入量產

台積電於2018年4月投入7nm製程量產,目前已經生產10億個品質良好的裸晶,提供數十個客戶應用在超過百種產品中。這些矽的數量足以覆蓋超過13個曼哈頓市區,且每個晶片都具有10億個電晶體,代表總共有超過500億的7nm電晶體。 台積電7nm生產超過10億個裸晶,應用在多元場景 (圖片來源:台積電) 做為首家實現7nm製程的晶圓廠,台積電為了提升良率,在生產設備上廣泛布署感測器,蒐集有價值的數據,並以人工智慧(AI)及機器學習(ML)分析數據,將數據轉化為可以改善製程的資料。基於部分客戶對駕駛輔助系統(ADAS)與自動駕駛的需求,台積電進一步把關晶圓的品質,以符合車用電子的安全規範,並在2019年將車規系統布署到7nm製程中。 此外,台積電在7nm製程時期推出極紫外光刻(EUV)技術,短波長的EUV光線可以協助打印先進製程所需的奈米極細節,成為率先將EUV投入7nm技術的廠商。同時,7nm技術拓展到6nm製程,並已採用EUV進行量產。6nm技術拉高20%的邏輯閘密度(Logic Density),並且與7nm版本完全相容,有助於提高成本效益。 過去只有少數的應用,如PC處理器、影像處理器、FPGA需要使用最新科技,但是智慧型手機的問世,創造更多的晶片應用,再加上雲端運算與AI的發展快速,相關的晶片需求便隨之增加。目前台積電的7nm技術除了用在PC、平板、手機中,同時應用在資料中心、自駕車與複雜的AI訓練/推論。加上5G基礎建設的布建穩定後,藉由網路傳輸大量數據的需求將會提升,帶動數據處理晶片的市場發展。
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -