如今，微控制器几乎可以在任何技术设备中找到，从洗衣机到血压计和可穿戴设备。弗劳恩霍夫微电子电路与系统研究所的研究人员开发了AIfES，这是一种用于微控制器和传感器的人工智能（AI）概念，包含完全可配置的人工神经网络。AIfES是一个独立于平台的机器学习库，可用于实现无需连接到云或高性能计算机的自学微电子。与传感器相关的AI系统识别手写和手势，例如在可穿戴设备上运行时实现输入的手势控制。
AIfES手写识别演示器。手动在PS / 2触摸板上写入的数字由微控制器识别并输出
目前存在各种用于机器学习的软件解决方案，但通常它们仅适用于PC并且基于编程语言Python，仍然没有解决方案可以执行和训练神经网络在微控制器等嵌入式系统上。然而，直接在嵌入式系统中进行训练可能是有用的，例如当植入的传感器要自我校准时，愿景是与传感器相关的AI，可以直接集成在传感器系统中。Fraunhofer IMS的一组研究人员以AIfES（嵌入式系统人工智能）的形式实现了这一愿景，这是一个用C编程的机器学习库，可以在微控制器上运行，也可以在其他平台上运行，如PC、Raspberry PI和Android。该库目前包含一个完全可配置的人工神经网络（ANN），它还可以在必要时生成深度学习的深层网络，ANN是一种尝试使用算法在数学上模拟人类大脑，以使功能上下文可以学习算法，AIfES专门针对嵌入式系统进行了优化。
“我们已经将源代码减少到最小，这意味着ANN可以直接在微控制器或传感器（即嵌入式系统）上进行培训。此外，源代码普遍有效，几乎可以在任何平台上编译。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，到目前为止，这种形式已经不可能通过商用软件解决方案实现，“Fraunhofer IMS的研究助理Pierre Gembaczka博士说。 。
保护隐私
Fraunhofer IMS传感器相关人工智能的另一个独特资格特征：到目前为止，人工智能和神经网络主要用于图像处理和语音识别，有时数据会离开本地系统。例如，语音配置文件在外部服务器上的云中处理，因为本地系统的计算能力并不总是足够的。“在这个过程中很难保护隐私，并且传输了大量的数据，这就是为什么我们选择了不同的方法，并且正在转向云中的机器学习过程，而不是直接在嵌入式系统中进行机器学习。“
由于没有敏感数据离开系统，因此可以保证数据保护，并且可以大大减少要传输的数据量，“Fraunhofer IMS的”嵌入式系统“集团经理Burkhard Heidemann说道。”当然，不可能实施巨大的深度在嵌入式系统上学习模型，因此我们正在努力提供优雅的特征提取以减少输入信号。“通过将AI直接嵌入微控制器，研究人员可以在不需要的情况下为设备配备额外的功能用于昂贵的硬件修改。
AIfES手写识别演示器。所有功能都集成在Arduino UNO上，它读取触摸板的传感器值，执行数字识别并将结果输出到显示器
减少数据
AIfES不专注于处理大量数据，而只转移构建非常小的神经网络所需的数据。“我们没有遵循处理大数据的趋势；我们坚持使用绝对必要的数据，并在嵌入式系统中创建一种可以解决相关任务的微智能。我们开发新功能提取和新功能每个问题的数据预处理策略，以便我们可以实现尽可能小的ANN，这使得后续学习控制器本身，“Gembaczka解释说。
该方法已经以几个不同的形式付诸实践。例如，研究团队在廉价的8位微控制器（Arduino Uno）上实现了对手写数字的识别，通过开发创新的特征提取方法，这在技术上成为可能。另一个演示者能够识别在空中制作的复杂手势。IMS科学家在这里开发了一个由微控制器和绝对定向传感器组成的系统，可以识别空中写入的数字。“这里有一个可能的应用就是可穿戴设备的操作，”研究人员指出。“为了使这种类型的通信工作，各个人多次写入数字1到9，神经网络接收这种训练数据，从中学习并在下一步中独立识别数字，几乎任何数字都可以训练，而不仅仅是数字。“这消除了使用控制设备的需要语音识别：可以通过手势控制可穿戴设备，并保护用户的隐私。
对于AIfES的潜在应用几乎没有限制：例如，具有集成手势识别的腕带可用于控制室内照明。AIfES不仅可以识别手势，还可以监控手势的制作情况，无需教练或治疗师即可评估物理治疗和健身运动和运动，由于没有使用相机或云，因此保持了隐私。AIfES可用于各种领域，如汽车、医药、智能家居和工业4.0。
分散的人工智能
并且AIfES还有更多优点：库可以分散计算能力，例如允许小型嵌入式系统在处理之前接收数据并将结果传递给上级系统，这大大减少了要传输的数据量。此外，可以实现一个小型学习系统的网络，这些系统可以在它们之间分配任务。
深度学习
AIfES目前包含一个具有前馈结构的神经网络，该结构也支持深度神经网络。“我们对解决方案进行了编程，以便我们可以用一个功能来描述一个完整的网络，”Gembaczka说。附加网络的整合形式和结构目前正在开发中。此外，除了其他学习算法和演示器之外，研究人员和他的同事正在开发用于神经网络的硬件组件。Fraunhofer IMS目前正在开发一种RISC-V微处理器，该微处理器将具有专门用于神经网络的硬件加速器。正在针对此硬件优化AIfES的特殊版本，以便最佳地利用资源。