רשת נוירונית

Polyn ואיפיניאון פיתחו חיישן AI לגלגלי הרכב

פורסם בתאריך ע"י Techtime

חברת Polyn Technology מקיסריה ויצרנית השבבים האירופית אינפיניאון (Infineon), הכריזו על השלמת פרוייקט הפיתוח של חיישן חדש המנטר את מצב גלגלי הרכב. החיישן מבוסס על שילוב של חיישן לחץ האוויר של אינפיניאון, TPMS SP49 (בתמונה למעלה משמאל), ביחד עם שבב הרשת הנוירונית VibroSense של חברת פולין. חברת אינפיניאון מסרה שהפתרון המשולב של שתי החברות מתאים במיוחד לשוק ציי הרכב ולמכוניות אוטונומיות, בזכות יכולתו לספק תובנות נוספות מעבר ללחץ האוויר בגלגלים, דוגמת מצב הכביש ותנאי הדרך ורמת הבלאי של צמיגים.

חברת פולין היא חברת פאבלס שפיתחה מעגל לעיבוד רשתות נוירוניות המבוסס על טכנולוגיית Neuromorphic Analog Signal Processing – NASP של החברה, שבה כ-90% מהרשת הנוירונית ממומשים באמצעות באמצעות אבני בניין קלאסיות כמו מגברי-שרת (OpAmp) ונגדים, ורק כ-10% מבוססים על מעגל דיגיטלי המקבל עידכונים שונים במהלך פעולתו. להערכת החברה, שבב NASP המכיל 50 אלף נוירונים אנלוגיים חסכוני בהספק פי 100 ומהיר פי 1,000 בהשוואה לרשת דיגיטלית מקבילה.

דיאגרמת המלבנים של SP40 TPMS לפני האינטגרציה עם טכנולוגיית NASP של פולין
דיאגרמת המלבנים של SP40 TPMS לפני האינטגרציה עם טכנולוגיית NASP של פולין

בחודש מרץ מרץ 2023 החברה חשפה חיישן זעזועים ליישומי תחזוקה מונעת, VibroSense, המבוסס גם הוא על טכנולוגיית NASP וכולל יכולת שידור מידע של תוצרי ההסקה. כעת מתברר שחברת פולין התקבלה למאיץ שיתוף הפעולה עם חברות סטארט-אפ של חברת אינפיניאון, אשר במסגרתו נכנסו שתי החברות לפרוייקט המשותף. הרעיון היה לשלב את הטכנולוגיה של פולין עם החיישן של אינפיניאון ועל-ידי כך לספק לו יכולות חדשות. בתחום מדידת לחץ האוויר בגלגלים קיימות כיום שתי גישות מרכזיות: מדידה עקיפה באמצעות תוכנה, ומדידה ישירה באמצעות חיישן הנמצא בכל גלגל. יישום התוכנה מאפשר להשוות בין מהירות הגלגלים לתגובת הרכב אל הבלמים, ולהסיק האם יש יתר-לחץ או חוסר-לחץ באחד מהגלגלים.

אומנם הדבר חוסך התקנת חומרה, אולם יש צורך בהתאמת התוכנה לכל רכב, ולשינויים במצב הרכב. בנוסף, המערכת סובלת מאמינות נמוכה ומהתרעות שווא רבות. בטכנולוגיית מדידה ישירה, מותקן החייישן בתוך הגלגל, מודד את הלחץ ומשדר את המידע אל מחשב הרכב. הפתרון של אטינפיאון כולל שבב הכולל מיקרו-בקר, ממיר ADC, משדר, זיכרון FLASH וזכרון ROM, וקישוריות לחיישני לחץ, תאוצה וטמפרטורה המצויים ברכיב. שתי החברות לא מסרו כיצד בוצעה אינטגרציה בין שתי המערכות, אולם העריכו שהשימוש במעגל NASP ממצצם פי 4,000 את כמות המידע שיש לחלץ מהחיידשן כדי לקבל הערכה של מצב הגלגל ותנאי הדרך – בצריכת הספק הנמדדת במספר מיקרו-ואט (microwatts) בלבד.

Brodmann17 גייסה 11 מיליון דולר למערכות ADAS ממונעות

פורסם בתאריך ע"י Techtime

בתמונה למעלה: הדגמה של Brodmann17 להפעלת רשת נוירונים ממונעת על-גבי מעבד ARM Cortex A72 בעל שתי ליבות

חברת Brodmann17 התל-אביבית גייסה 11 מיליון דולר בסבב גיוס הון ראשוני (A) בהובלת OurCrowd ובהשתתפות Maniv Mobility, AI Alliance, סמסונג, סוני והקרנות LLC ו-UL Ventures. ההון שגוייס ישמש להרחבת השיווק והההטמעה של תוכנת הבינה המלאכותית של החברה במערכות העזר לנהג (ADAS) בתעשיית הרכב. תחום ה-ADAS נחשב למרכיב מרכזי בהתפתחות הנהיגה האוטונומית. סקר שוק שפורסם לאחרונה על-ידי Markets and Markets, מעריך שבשנת 2017 הסתכם שוק ה-ADAS העולמי בכ-20.2 מיליארד דולר, ושהוא צפוי לצמוח להיקף של כ-91.8 מיליארד דולר עד לשנת 2015 (צמיחה שנתית של 21%).

החברה פיתחה אלגוריתם בינה מלאכותית שלהערכתה הוא היעיל ביותר בשוק כיום, ויכול לבצע מטלות מורכבות באמצעות מערכות מיחשוב דלות בהספק, כמו כמו אלה המצויות בהרבה מאבזרי המחשוב וה-IoT בקצות הרשת (Edge). כך למשל, היא הדגימה יישום תוכנת לימוד עומק של תמונות ברזולוציה של 1280X720 פיקסלים באמצעות מעבדי ARM Cortex מהדגמים A15, A53 ו-A72. אחת מהמשימות של החברה: להחזיר את הבינה המלאכותית אל מעבדי המדף הזולים.

חברת Brodmann17 קרויה של שמו של הנוירולוג הגרמני פרופ' קורביניאן ברודמן אשר הגדיר 52 אזורי פעילות בקליפת המוח העליונה. על-פי המיפוי שלו, אזור 17 הוא האזור במוח המטפל בעיבוד המידע הוויזואלי. החברה הוקמה בחודש יולי 2016 על-ידי המנכ"ל עדי פנחס, המדען הראשי אסף מושינסקי והטכנולוג הראשי ד"ר אמיר אלוש. כולם בעלי נסיון יזמי ורקע במחקר ופיתוח של מערכות בינה מלאכותית באקדמיה הישראלית. בחודש יוני 2017 היא גייסה 1.6 מיליון דולר.

ארכיטקטורה חדשה של רשת לימוד עומק נוירונית

הפתרון של החברה מבוסס על ארכיטקטורת רשת נוירונית ייעודית שהיא פיתחה מאפס, ולא על שימוש בארכיטקטורה קיימת המתאימה למגוון גדול של יישומים, שיש צורך לטייב כדי להפעיל את המוצר (זוהי הגישה הנפוצה ביותר כיום בתעשייה). על-ידי כך היא השיגה חיסכון גדול בהספק ובמשאבי המיחשוב הדרושים להפעלת מערכות הזיהוי. החברה הסבירה שהארכיטקטורה שפיתחה מבוססת על שימוש חוזר ושיתופיות בחישובים ובמשקלים הניתנים לכל אחד מהצמתים ברשת הנוירונית. על-ידי כך היא הצליחה להקטין את גודל הרשת (גודל הזיכרון הדרוש להפעלתה) ואת מספר החישובים שיש לבצע (עוצמת המעבד). השינויים האלה מאפשרים להריץ יישומי לימוד עומק במערכות משובצות מהמדף.

להערכת החברה, הפתרון שלה מהיר פי 20 מפתרונות זיהוי תמונה מבוססי לימוד עומק המצויים כיום בשוק. החברה גם שחררה ערכת פיתוח הכוללת כרטיס, מצלמה ומסך, וכן חבילת תוכנה המאפשרת לפתח יישומי עיבוד תמונה ולקבל מנוע הסקות (Inferencing) מוכן מהמדף. המנכ"ל עדי פנחס אמר שמטרת החברה היא לאפשר הרצת יישומי לימוד עומק בכל מעבד וברכיבי ASIC, ולא רק בתשתיות גדולות ויקרות כמו למשל מעבדי GPU. החברה מסרה שהטכנולוגיה נבדקת כיום על-ידי מספר ספקים מובילים בעולם של מערכות ADAS לתעשיית הרכב.