https://www.fraunhofer.de/en/press/research-news/2021/august-2021/energy-efficient-ai-chips-for-atrial-fibrillation-detection.html
下一代计算
用于房颤检测的节能智能芯片
Al 系统可以改善医疗保健、增加患者康复的机会并协助医生进行诊断，而其挑战在于人工智能普遍耗电量大。弗劳恩霍夫集成电路研究所 IIS 与工业数学 ITWM 联合开发了节能AI芯片解决方案，可以在未来帮助检测早期心房颤动——一种特殊的心律紊乱。这个想法让两研究所分别在德国联邦教育和研究部 (BMBF) 的“节能AI系统”试点创新竞赛中获得了第一名。
心房颤动是最常见的心律失常类型之一。如果没有及时发现，这种情况可能会触发中风。一种记录长时间的心电图 (ECG)的方式，从而增加检测不规则心律的机会，是使用可穿戴设备，例如患者佩戴在手腕上的智能手表。但要使移动诊断切实可行，必须能够高效地分析记录的心电图数据。那么问题来了：评估患者数据的算法可能是非常密集的计算，消耗大量电力。然而，移动系统的运行时间以及可靠性正取决于其能耗。因此，移动应用程序的最高优先级是评估算法的节能执行硬件。
© Fraunhofer
弗劳恩霍夫ITWM 和弗劳恩霍夫 IIS 在“高能效 AI 系统”试点创新竞赛中的研究工作获得一等奖
第一名颁给两所弗劳恩霍夫研究所
这就是为什么德国联邦教育和研究部 (BMBF)开展“高能效AI系统”试点创新大赛。只有降低当今微电子的能耗，人工智能（Al）才能创造效益并进入医疗、工业等领域。比赛的目标是让 Al 芯片以至少 90% 的准确度检测心房颤动，实时分类，并在此过程中消耗尽可能少的能量。误报的数量不得超过 20%。为执行这项任务，柏林的 Charité 医院为参与团队提供了 16,000 份个人心电图记录，每份记录时长为两分钟。在这些录音中，8000 份来自房颤患者，其余 8000 份来自健康人。弗劳恩霍夫研究所IIS 和ITWM 位居第一（两所使用不同的类别和不同的方法）。凭借他们的奖项，这些研究所能够证明弗劳恩霍夫处于德国使用AI和微电子技术的最前沿。
由 Marco Breiling 博士领导的弗劳恩霍夫研究所IIS 团队与来自 Friedrich-Alexander-Universität Erlangen-Nürnberg的研究人员一起，由 Marc Reichenbach 博士和 Dietmar Fey 教授带领，凭借“使用 ML 算法 (Lo3-ML) 进行信号分析的低功耗、低内存、低成本心电图”项目在ASIC 130 纳米（专用集成电路）类别中获奖。弗劳恩霍夫研究所 ITWM与凯泽斯劳滕理工大学合作，凭借以下项目在 FPGA（现场可编程门阵列）类别中获胜：“通过 AutoML 为深度神经网络优化 FPGA 架构的整体方法——自动化机器学习（HALF）。”。由此，两所弗劳恩霍夫研究所分别获得了100 万欧元以进一步发展他们的解决方案。
Lo3-ML 项目——信号处理进入休眠模式
弗劳恩霍夫IlS 的研究人员依赖深度学习，一种使用神经网络在多层进行处理的特殊机器学习方法，来检测患者是否生病。数字心电图信号被用作神经网络的输入，信号的各个部分被过滤，各信号分量被加权并在几层中相加。由于时间序列的个体值是由三元权重值+1，0和-1加权而成，研究人员也将其称为三元神经网络。“我们在神经网络的第一层中检测到一种特定的信号行为，而第二层中特征相互关联。总共使用了六层。指示存在疾病的心电图信号的复杂图像直到最后，第六层，才会出现。”弗劳恩霍夫 lIS 的科学家Marco Breiling解释道。 Breiling的研究团队使用了一种技巧，ECG 信号的数字表示，来处理这些时间序列信号以提高能效：他们将信号处理作为 Al 芯片的一部分，使得其在非工作状态便进入休眠模式。这节省了 95% 的能量。“芯片收集 ECG 信号耗时12.7 秒，接下来在短短 24 毫秒或 0.2% 的时间内处理它。因此系统在超过 99.8% 的时间内均处于休眠状态，能耗甚至可忽略不计。由于系统中非易失性 RRAM 存储器的存在，信号处理能够在唤醒后即刻恢复，恢复时间约 12.7 秒，期间无需消耗任何能量。”Breiling 解释道。 RRAM 可以极度高效地存储三元权重。
收缩阵列是一种特殊的芯片架构，也有助于节省大量能源。“对于永久运行，我们的芯片所需的功率非常小，在月光下运行面积为 6x6 平方毫米的太阳能电池就足够了。或者，该芯片可以使用市场上最小的纽扣电池连续评估ECG长达 330 天。”研究人员如是说。开发的电路不仅适用于医疗用途，还适用于处理时间序列信号的其他应用，例如状态监测和预测性维护。
© Fraunhofer IIS
边缘的超低功耗 AI
用于FPGA的HALF - Holistic AutoML项目
位于凯泽斯劳滕的弗劳恩霍夫 ITWM 的研究团队在比赛中同时考虑了硬件的能耗和神经网络拓扑。其中，首要目标是考虑何种网络设计为任务提供了最佳先决条件。而对于比赛来说，神经网络不仅要考虑分类的准确性，还必须同时衡量执行所需的能量。于是可以用这样一种方式来描述能源效率：应用最少数量的计算操作来检测心房颤动。
Al模型决定硬件能耗
但是如何才能找到满足定义要求与规范的网络呢？“我们在不同的搜索策略中最终使用进化的方法。我们从十个不同的随机选择的网络开始，在训练后检查它们的工作情况。接下来我们选择其中表现最好的网络，并对它们进行变异以创建新的网络变体。我们一直重复这个过程直到找到最佳网络：这个过程称为自动机器学习。”在能力中心——ITWM 高性能计算进行研究的 Jens Krüger 博士解释道。Jens Krüger 博士与来自 TU 凯泽斯劳滕的Dr. -Ing. Norbert Wehn教授一起领导了该项目。由于Al 模型影响机器的能耗，研究人员正在扩展这一自动化机器学习的过程，使其囊括一种在考虑神经网络的同时也包含硬件分析的整体方法。
Krüger 和他的团队使用的是可编程芯片 FPGA（现场可编程门阵列）。这些芯片可以描摹神经网络，实现多种电路构建并完成适配算法的最佳执行。FPGA 可重新编程任意次数，并通过在搜索最佳神经网络的过程中所考虑的各种特征进行区分。“在这方面，项目——用于 FPGA 的HALF - Holistic AutoML——反映了我们方法的核心。”研究人员如是说。 通过 TU凯泽斯劳滕开发的软件工具，神经网络被传输到 FPGA自动评估 ECG 数据。此途径产生了一种新的统一方法——不仅更节能，且可减少最佳神经网络拓扑与对应 FPGA 执行的开发时间。 这种软件开发工具不仅适用于FPGA，还适用于各种芯片与环境。
联系人：
闫贝贝
德国弗劳恩霍夫应用研究促进协会北京代表处
电子，信息和通信技术代表
中国 北京 朝阳区东方东路19号
DRC外交办公大楼D1座1102D室
电话：010-6590 6136-12
邮箱：beibei.yan@fraunhofer.cn