بيتر شنايدر ، مدير معهد فراونهوفر لهندسة الدوائر المتكاملة شعبة النظم التكيفية، جلس مع شركة Semiconductor Engineering للحديث عن نماذج وأساليب جديدة لضمان سلامة الأنظمة واستجابتها ، وكيف يمكن القيام بذلك ضمن ميزانية طاقة معينة وبسرعات مختلفة. فيما يلي مقتطفات من تلك المحادثة.
سراج الدين: أين تركز بحثك اليوم؟
شنايدر: موضوع واحد كبير هو الذكاء الاصطناعي. نحن نبني مختبرًا لاختبار النماذج الأولية للأنظمة القائمة على الذكاء الاصطناعي ، بدءًا من الحصول على البيانات في بيئة العالم الحقيقي. نحن نقوم بإنشاء إعدادات في العالم الحقيقي في مجال السيارات والروبوتات وأتمتة المباني. ثم نأخذ هذه البيانات ونستخدمها في عالم افتراضي. لذلك نحن نبني النماذج ، وننشئ بيانات التدريب حسب النماذج ، ونحصل على تغطية أفضل للبيانات التي تحتاجها لتدريب الذكاء الاصطناعي. ثم ، على الجانب الإلكتروني ، نحن نبني أجهزتنا المتطورة. من هناك ، نقوم بعمل نماذج أولية سريعة ، ونختبر الأنظمة في العالم الحقيقي. إذن لديك الدورة الكاملة ، من الحصول على البيانات إلى عمليات التطوير الافتراضية ، وبعد ذلك إلى الاختبار.
سراج الدين: في السيارات والروبوتات ، تحتاج إلى الكثير من المعالجات السريعة جدًا أينما كنت تجمع البيانات ، ثم تحتاج إلى نقل هذه البيانات إلى نوع من المعالجة المركزية. ما هي أنواع التحديات التي تواجهها هناك؟
شنايدر: التحدي الرئيسي لمعالجة بيانات المستشعر على الحافة هو زمن الوصول المنخفض. في مجال الروبوتات ، إذا كانت لديك وظائف أمان ، فأنت بحاجة إلى وقت استجابة مخصص لهذه الوظائف. لذلك أنت بحاجة إلى معالجة البيانات على الحافة ، والتي تتضمن دمج البيانات واستخراج الميزات والتفكير في العملية. إنه مزيج مما يمكنك تحمله في البيئة الفعلية لأن لديك موارد محدودة ، وهذا هو سبب أهمية عمليات التطوير هذه. لديك بيانات أجهزة استشعار محلية ، وتحتاج إلى تحديد الاستجابة من النظام. يمكنك معالجة البيانات محليًا ، أو يمكنك وضعها في البنية التحتية للخادم. لكن لديك عبء اتصالات عند نقل البيانات ، وتحتاج إلى حل مثالي يتضمن سياق النظام بأكمله. هناك لبنات أساسية مختلفة. معالجة البيانات هي مجرد نشاط واحد. لدينا جهود أخرى جارية لتطوير بروتوكولات اتصالات لاسلكية بزمن انتقال منخفض ، والتي تشترك في نفس الهدف. إذا كنت تريد استجابة سريعة ، فأنت بحاجة إلى زمن انتقال منخفض في حلقة معالجة البيانات بأكملها.
سراج الدين: هذا يعود أيضًا إلى الدقة والدقة ، أليس كذلك؟
شنايدر: نعم ، وهذا كل شيء عن الموارد. لدينا خوارزمية ذكاء اصطناعي / تعلم الآلة ، لذا يمكنك القيام بالمعالجة بأربع بتات أو ثماني بتات. ربما تعمل بأربع بتات ، لكن عليك أن تعرف ما هو الحل الصحيح لسياق التطبيق ، وهذه مشكلة تصميم. نحصل على البيانات ، ونضعها في البنية التحتية للخادم ، ثم نستخدم كل هذه الأطر. إذن لديك خوارزمية تعمل بشكل جيد ، ثم تنتقل من خوارزمية الخادم. يمكنك تقليل هيكل الشبكة والأوزان وعدد بتات البيانات التي لديك. ذلك يعتمد على التطبيق. لهذا السبب من المهم جدًا بالنسبة لنا أن يكون لدينا هذا الإعداد في العالم الحقيقي لإنشاء جميع بيانات العالم الحقيقي.
الشكل 1: نحو ذكاء اصطناعي أفضل. المصدر: Fraunhofer IIS EAS
صائب عريقات: بعض البيانات مهمة والبعض الآخر ليس كذلك. كيف تعطي الأولوية؟ هناك الكثير من القطع المتحركة هنا.
شنايدر: على المدى الطويل ، نحن نعمل في مجال الاتصالات اللاسلكية لتصميم التطبيق ونظام الاتصال لتطبيق معين أو جودة الخدمة. لنفترض أن الروبوت يتم استخدامه لنوع من عمليات المناولة. يمكنك التحكم فيه عن طريق الاتصال اللاسلكي ، وإذا كان لديك اضطرابات في الاتصال اللاسلكي ، فيمكنك الانتقال إلى الوضع الآمن من الفشل أو إيقاف النظام أو تقليل السرعة. إذا قمت بتقليل سرعة عملية المناولة ، فلا يزال من الممكن استمرارها. وإذا تحسن الاتصال اللاسلكي ، فيمكنه الإسراع بالنسخ الاحتياطي. يمكن استخدام ذلك للتحكم في العمليات في الأتمتة الصناعية. إنه نهج جديد. عادة ، إذا كانت هناك أي مشكلة في نظام الاتصال اللاسلكي ، فإنها تتوقف ، ويجب على العامل معرفة ما يحدث ، ثم الضغط على زر لبدء تشغيله مرة أخرى. مع الأنظمة التكيفية يمكن أن يكون أكثر مرونة ، مما يمنع التوقف في الإنتاج.
سراج الدين: إلى أي مدى هذا؟
شنايدر: لا يزال بعيدًا عن الاستخدام العملي في بيئة الإنتاج ، لكننا نعمل على مشروع ولدينا نتائج جيدة.
سراج الدين: لقد ذكرت تغطية أفضل في فضاء البيانات. ماذا يعني ذلك؟
شنايدر: عندما تتدرب على الصور أو شيء من هذا القبيل ، هناك مجموعات تدريب ضخمة. لذا يمكنك الحصول على صور لقط أو كلب أو شيء من هذا القبيل ، ولكن إذا ذهبت إلى الأتمتة الصناعية وكنت تتعامل مع مشكلات الصيانة أو مشاكل في عملية الإنتاج ، فأنت تعمل مع أحداث نادرة. لدي الكثير من البيانات التي تشير إلى أن عملية الإنتاج تعمل بشكل مثالي ، ومن ثم هناك أحداث قليلة جدًا مرتبطة بخطأ ما. عادةً باستخدام هذا النوع من البيانات ، لا يمكنك تدريب المدرب أو خوارزمية التعلم الآلي جيدًا. ما تحتاجه هو نسبة جيدة بين الخير والشر ، وليس لديك ذلك. لذلك تقوم بجمع كل هذه الأحداث النادرة ، لكن هذا يستغرق وقتًا طويلاً وما زلت لا تملك صورة كاملة. لهذا السبب نقترح نهجًا يكون لديك فيه نموذجًا رمزيًا لعملية الإنتاج. يمكنك التحقق من صحتها باستخدام كتلة من البيانات. لدينا حالات خطأ أو سلوك خاطئ ، ويمكنك إضافة نماذج فشل إلى هذا النموذج وإنشاء بيانات فشل أو مجموعات بيانات خاطئة. يوفر تغطية أفضل لكامل مساحة البيانات.
سراج الدين: هذا يختلف عن التوائم الرقمية ، التي هي في الأساس نموذج حي ، أليس كذلك؟ تكمن المشكلة في كمية الطاقة المطلوبة لإبقاء تلك الأجهزة قيد التشغيل وتحديثها باستمرار.
شنايدر: نعم ، وهذه مشكلة كبيرة. بالإضافة إلى ذلك ، أنت بحاجة إلى منهجية لمعالجة دقة النموذج والتعامل مع التعقيد في الحوسبة على المستوى الصحيح. إنه توازن. في الماضي ، قمنا بالكثير من العمل في نمذجة الأنظمة القائمة على MEMS ، وقياس سلوك بنية MEMS المعقدة مثل الدوران. عادة ، لتصميم الإلكترونيات ، تحتاج فقط إلى جوانب محددة من سلوك هذا الهيكل الكهروميكانيكي الدقيق المعقد. لقد طبقنا أساليب الحد من الطلبات النموذجية ، حيث يمكنك تقليل عدد درجات الحرية. وهذا بدوره يقلل من التعقيد العددي بشكل كبير. يمكن أن يعتمد على ما إذا كان لديك سلوك غير خطي أو خطي من خصائص الاهتزاز ، على سبيل المثال.
سراج الدين: أين يذهب بحثك في الاختبار؟
شنايدر: إذا كان لديك نظام هرمي ، فلديك أجهزة استشعار ومشغلات وبيئة. يمكنك الاختبار على مستويات مختلفة. يمكنك إجراء اختبار على مستوى الرقاقة للشريحة ، واختبار الحزمة لعقدة استشعار متكاملة ثلاثية الأبعاد ، ويمكنك إجراء اختبارات للأنظمة في السياق. مع المستشعرات ، نستخدم نهج اختبار هرمي. يمكننا تقديم بيانات الاختبار من البيئة الحقيقية. هذا له تأثير على المستشعرات التي تسبب إشارات كهربائية في المكون الإلكتروني. ما نحاول القيام به هو ترجمة حالات الاختبار هذه من سياق نظام إلى سياق إلكتروني. في مختبرنا ، يمكننا إجراء قياسات التدهور للشيخوخة. وعلى الجانب الآخر من المختبر لدينا سيارة ، حيث يمكننا اختبار دورات السيارات النموذجية وقياس تأثير الظروف البيئية على وحدة التحكم الإلكترونية أو بعض الأنظمة الأخرى. ثم نترجم ذلك إلى مستوى الرقاقة ، حيث يمكننا النظر إلى تأثير البيانات البيئية أو درجة الحرارة.
سراج الدين: إذن فأنت تنظر إلى البيانات رباعية الأبعاد - x و y و z بمرور الوقت؟
شنايدر: نعم. ولا يمكننا حل جميع المشكلات في الوقت الحالي ، ولكن هذه هي رؤيتنا.
صائب عريقات: وضع كل هذا في منظور ، هل الهدف هو اختبار أفضل لنماذج البيانات أو تطويرها وفهمها؟
شنايدر: نحن نسعى إلى بناء جسر بين المعرفة التي يمكن تغليفها في النماذج ودمجها مع البيانات. هناك علاقة قوية بين النماذج التي تعتمد على البيانات والنماذج المادية. هذا مهم جدا. تقليديًا ، ركزنا على النماذج ، لكننا نقوم بالكثير من التطوير وجمع البيانات وإجراء تحليلات البيانات. أفضل طريقة للمضي قدمًا هي الجمع بين كلا العالمين.
سراج الدين: التحدي هو أن هناك الكثير من البيانات ، والكثير منها قيد الحركة ، مما يزيد من عدد المتغيرات. كيف تتعامل مع ذلك؟
شنايدر: الطريقة الوحيدة هي استخراجه من طبقة معينة. لن تكون قادرًا على تحليل جميع البيانات الموجودة في شريحة 60 نانومتر على المستوى الوظيفي في نظام السيارات. أنت بحاجة إلى تجريد من وظيفة كهربائية ، ثم تحتاج إلى تضخيمها. بالطبع ، يجب عليك التحقق من صحة هذا السلوك رفيع المستوى هو تمثيل جيد للتفاصيل ، ولكن هذا في المنهجية.
سراج الدين: هذه تغطية نموذجية بشكل أساسي ، أليس كذلك؟
شنايدر: نعم ، وتحتاج إلى عرض موحد لحالات الاختبار. نحن نقوم بتطوير نظام افتراضي ، ونتعامل مع هندسة المتطلبات. في الجزء العلوي ، لديك مستوى متطلبات ، ثم تنتقل خطوة بخطوة إلى بنية التنفيذ أو قرارات التصميم. وإذا كان لديك هذا العرض المتسق لجميع هذه الطبقات ، فأنت تحدد المتطلبات ثم تنشئ حالات اختبار.
سراج الدين: إذن أنت تصمم النماذج؟
شنايدر: نعم. UVM هي إحدى الطرق التي نستخدمها ، وهي توفر أساسًا جيدًا لهذا الاختبار ورؤية متسقة على جميع المستويات.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://semiengineering.com/improving-chip-efficiency-reliability-and-adaptability/
