Intégrer l'IA dans les microcontrôleurs : Libérer le potentiel du TinyML

Lorsque l'intelligence artificielle rencontre l'Internet des Objets, le résultat est l'AIoT — une frontière expansive pour les microcontrôleurs qui tire parti des percées en compression de réseaux de neurones et inférence efficace. Les processeurs d'application de smartphones modernes effectuent déjà des tâches IA sophistiquées comme la reconnaissance d'image et les moteurs de recommandation ; apporter des capacités similaires à de minuscules dispositifs alimentés par pile débloque un monde de nouvelles possibilités.

Imaginez une aide auditive qui filtre le bruit de fond avec l'IA, un appareil maison intelligente qui reconnaît le visage d'un utilisateur et applique des paramètres personnalisés, ou des nœuds capteurs qui tournent des années sur une pile bouton — le tout alimenté localement. Le traitement en périphérie (edge) offre latence réduite, sécurité renforcée et confidentialité accrue, des avantages difficiles à surmonter.

Le Cortex‑M55 d'Arm combiné à l'accélérateur Ethos‑U55 délivre assez de débit pour les charges de travail de reconnaissance gestuelle, biométrique et vocale (Image : Arm).

Cependant, déployer un apprentissage automatique significatif sur microcontrôleurs n'est pas trivial. Mémoire et ressources de calcul limitées rendent difficile l'exécution de grands modèles, mais les équipes de data science réduisent les empreintes réseau tandis que les fournisseurs fournissent des chaînes d'outils conscientes du matériel et des blocs IP dédiés pour répondre aux contraintes de l'IA embarquée.

Le TinyML décolle

La croissance rapide du TinyML est évidente dans l'expansion du TinyML Summit. L'événement inaugural en Silicon Valley a attiré 11 sponsors ; le second sommet en a attiré 27 et s'est vendu des semaines à l'avance. Les meet‑ups mondiaux pour concepteurs ont également vu une augmentation dramatique de la fréquentation.

« Nous entrons dans une ère de billions de dispositifs intelligents propulsés par le TinyML qui perçoivent, analysent et agissent autonomement pour créer des environnements plus sains et plus durables », a déclaré Evgeni Gousev, Directeur Senior chez Qualcomm, co‑président du Comité TinyML, lors d'une récente conférence. Gousev a mis en avant la synergie du matériel économe en énergie, algorithmes rationalisés et écosystèmes logiciels matures comme moteur derrière l'investissement corporate et capital‑risque, l'activité startup et les fusions‑acquisitions.

L'ECM3532 d'Eta Compute utilise un cœur Arm Cortex‑M3 avec un cœur DSP NXP CoolFlux, permettant à la charge de travail ML de s'exécuter sur l'un ou l'autre ou les deux processeurs (Image : Eta Compute).

Selon le Comité TinyML, la technologie est maintenant validée et l'IA basée sur microcontrôleurs productisée devrait atteindre le marché dans deux à trois ans, avec des applications « killer » phares arrivant dans trois à cinq ans.

Une étape clé est survenue l'an dernier quand Google a publié TensorFlow Lite pour Microcontrôleurs. Le runtime léger — seulement 16 Ko sur un Arm Cortex‑M3 — supporte l'inférence pour des modèles comme la détection de mots‑clés vocaux, nécessitant une empreinte totale de 22 Ko. L'entraînement n'est pas supporté.

Les grands acteurs répondent

Les principaux fournisseurs de microcontrôleurs accélèrent leur propre support IA. STMicroelectronics propose STM32Cube.AI, un pack d'extension qui mappe et exécute les réseaux de neurones sur sa famille STM32 Cortex‑M. Renesas Electronics fournit un environnement de développement e‑IA qui traduit les modèles en code C/C++ natif pour son e2 studio. NXP Semiconductors démontre des charges de travail d'apprentissage automatique sur ses MCUs Kinetis et LPC d'entrée de gamme et étend son écosystème IA à travers processeurs d'application et solutions crossover.

Dominance Arm

La série Cortex‑M d'Arm reste la pierre angulaire du marché des microcontrôleurs. Le nouveau Cortex‑M55 annoncé est conçu pour les charges de travail IA et s'associe parfaitement à l'accélérateur Ethos‑U55, tous deux conçus pour environnements ultra‑basse consommation. Les firmes concurrentes se concentrent maintenant sur la différenciation architecturale plutôt que sur la construction de SoC basés sur Arm.

« Concurrencer les géants requiert un atout architectural — performance et flexibilité au‑delà du Cortex‑M standard », a déclaré Mark Lippett, PDG de XMOS. Le processeur crossover Xcore.ai de XMOS, ciblant les interfaces vocales, illustre comment un cœur différencié peut tailler des applications de niche, bien qu'il ne concurrence pas directement les microcontrôleurs.

>> Continuer la lecture de la page deux de cet article publié à l'origine sur notre site sœur, EE Times Europe.