边缘创新：立足当下，放眼未来

时间：2023-07-11 14:25:08

关键字：芯片服务器机器学习

手机看文章

扫描二维码
随时随地手机看文章

[导读]您知道吗，全球数据传输网络耗电量高达数百太瓦时（TWH），占全球总用电量的1-2%。移动数据传输需求不断飙升，全球各地数据传输网络所消耗的能源也随之增加。因此，移动网络的性能需要优化，吞吐量要求也需要降低。

您知道吗，全球数据传输网络耗电量高达数百太瓦时（TWH），占全球总用电量的1-2%。移动数据传输需求不断飙升，全球各地数据传输网络所消耗的能源也随之增加。因此，移动网络的性能需要优化，吞吐量要求也需要降低。

我们往往会忽略与数据传输到集中（云端）位置相关的“隐藏”成本及数据存储成本。为了降低能耗，我们可以考虑在本地处理数据，而不是通过云网络进行数据存储和/或通信。这样就可以在不同的物理位置处理数据，无论是边缘（传感器）、云端，还是中间的各个位置。基站本地数据之间、之外，还将进行多个过程吸收来自物联网网关、本地数据中心、小区站点等来源的数据。

图1：2018-2028年全球月移动数据流量（信息来源）

图1展示了数据传输（消耗的电力占全球总耗电量的1-2%）在未来几年的上升。这意味着，除非用电量大幅降低，通信和计算将占据全球用电量的更大份额。这就为增加数据本地化处理提供了动力。将数据处理分散到其他地点，可以优化能源的总体使用——更多的系统采用“边缘处理”模式。边缘处理可带来更多的好处，如增强隐私和数据保护，但如何才能实现呢？

应对边缘处理挑战

节约能源还有更多意义。边缘处理是正确的方向，但仍然需要从众多部署方案中做出选择。应用映射愈发复杂，却也带来了更多的乐趣。几十年前，嵌入式微控制器和处理器都由带有相应I/O的单一CPU构成。在这种环境下，算法在哪里运行一目了然：它们都在同一个CPU上执行。如今情况已大不相同：现代化嵌入式处理器（如恩智浦i.MX产品系列）既有CPU，也有图形处理单元（GPU）、神经处理单元（NPU）、信号处理单元（DSP）及各种硬件加速器。将应用映射到可用的芯片上成为了有趣的挑战。是想在CPU、GPU、NPU、DSP上运行算法还是想在加速器上运行算法？请注意系统的软件复杂性是如何增加的。

能耗优化是设计和制造边缘处理器件时需要考虑的另一个方面。这就需要平衡动态能耗。动态能耗会受到多种因素的影响，例如CPU频率、工作负载、其他加速器的使用情况、外部存储器的数据流量、系统组件的使用状态（如显示器和背光）、Wi-Fi等连接方式以及环境温度等。静态能耗是指芯片中通电而不受门控控制的部分，也就是处理单元执行的操作。

探索如何在SoC设计中进一步降低能耗至关重要。在边缘降低能耗意味着需要优化在边缘使用的芯片的能耗。该图展示了随着时间的推移，为降低能耗在芯片和系统方面开发的各种机制。

图2：SoC设计中降低能耗的机会，从晶体管到系统层面

增强能耗测量和能耗优化工作流程

在实践中，优化能耗是打造卓越系统和芯片设计工作流程的重要一环。恩智浦除了高能效i.MX 7ULP和i.MX 8ULP等独特SoC外，还在使用场景中优化芯片的不同电源模式。我们的能效应用笔记详细介绍了各种能效方法，这些方法可以通过我们的BSP SW（广泛的支持包软件）来实现，应用笔记还可向客户提供有用的部署指导。此外，我们重点关注如何通过共同设计PMIC在系统级别尽可能简化设备的整体电源管理。我们还采用低能耗DRAM（LP4、LP4X、LP5），降低系统级能耗（较低的工作电压和待机时自刷新模式等）。

将超低能耗处理和高级集成安全带到智能边缘。了解恩智浦安全可扩展的i.MX 8ULP应用处理器。

部署和生命周期中的节能策略

人们非常关注设备和系统的优化，包括设备架构、设计、制造和系统开发，以及产品的开发。但目前许多产品在市场上的使用寿命比较短。消费者每隔几年就要进行一次升级，使用新的硬件。这造成了浪费，但也是改进的机会。

除了使用硬件设备外，消费者还可以利用设备日益增强的软件能力来最大限度地延长其使用寿命。随着时间的推移，升级软件可以提供更多功能，从而延长产品的使用寿命。要支持这一概念，就需要满足安全要求的庞大生态系统，设备只需加载必要软件。恩智浦在这方面也进行了大量的开发工作。

开发边缘机器学习（ML）应用需要保证安全性和高能效。下载阅读恩智浦电子书《边缘计算精要》，了解详情。