Steigender Automatisierungsbedarf, Internet of Things und präzise Mess­systeme fordern den Umgang mit komplexen Datensätzen. Bestehende Auswertungssysteme stoßen hier zunehmend an ihre Grenzen. KI-Modelle führen schneller zu Ergebnissen, da sie Daten zügig überblicken und analysieren können. Das Projekt Insekt entwickelt daher neue Ansätze zur effektiveren Einbindung von Edge-KI in bestehende Sensoren. Projektpartner sind die TH Wildau, das Fraunhofer IPMS sowie das Leibniz-IHP.

Die künstliche Intelligenz muss große Mengen an Daten verarbeiten – natürlich möglichst schnell. Das Projekt Insekt arbeitet daran, die komplexen Berechnungen direkt am Entstehungsort der Daten laufen zu lassen, beispielsweise am Sensor selbst. In vielen Fällen, in denen eine künstliche Intelligenz die Datenverarbeitung übernimmt, werden die Daten zunächst an Cloud-Dienste gesendet und dort analysiert. Der Einsatz von Edge-KI bietet gegenüber Cloud-Lösungen hat allerdings Vorteile: Zum einen verbleibt die Daten­auswertung direkt im System und somit auch im Unternehmen, was die Datensicherheit erhöht, zum anderen hat die verringerte Übertragungsstrecke positive Auswirkungen auf die Rechenleistung und damit auch auf die Auswertungsgeschwindigkeit und Energieeffizienz. Dies trägt zur Echtzeitfähigkeit der Systemen bei. 

Integration in bestehende Systeme

Während Edge-KI klassisch die Ausführung von KI-Algorithmen direkt auf Geräten am Rand des Netzwerks, nahe an der Datenquelle, meint, bezieht sich Embedded-KI auf die Integration von KI, eingebettet in konkrete, spezialisierte Hardware- oder Software-Systeme. Bei Insekt soll es hinsichtlich der Integration von Edge-KI in bestehende Systeme um drei zentrale Ziele gehen: 

• Zunächst steht die Funktionserweiterung und -integration bestehender MEMS-Sensoren für Edge-KI-Anwendungen im Mittelpunkt. Dabei wird im Rahmen von anwendungsnahen Testsystemen die Signalverarbeitung so nah wie möglich am Sensor integriert. Eine kompakte Datenverarbeitung mit Deep Learning erhöht die Anpassungsfähigkeit der Sensorsysteme an unterschiedliche Einsatzszenarien, ohne die darunter liegende Hardware auszutauschen.
   
• In einem zweiten Schritt geht es darum, welche Rechenleistung und welche Größe derartige Embedded-KI-Lösungen benötigen, um aussagekräftige Ergebnisse zu generieren. Dahingehend wird getestet, welche eingebetteten Systeme sich für kompakte Sensoren eignen. Die Einplatinencomputer können dann samt dem Sensorsystem per USB-Verbindung an den Nutzer-PC angeschlossen werden und dort die Daten ausspielen.
   
• Ein dritter Aspekt ist die Entwicklung einer Software, welche die Daten sammelt und auswertet, sodass sie sich auf verschiedene Systeme und variable Szenarien anwenden lässt. Konkrete Datensätze werden hierbei vom Fraunhofer IPMS bereitgestellt und von Forschenden des Leibniz IHP und der TH Wildau verwendet, um die KI für variable Anwendungsszenarien zu trainieren.

Technologieanwendungen im Mittelpunkt

Das Fraunhofer IPMS verfügt über eine Reihe an Sensoren. Diese erstrecken sich von optischer Messtechnik über Ultraschallsensoren bis hin zur Gasanalyse und pH-Sensoren für Flüssigmedien. Daten all dieser Systeme werden ins Projekt einfließen. Künftige Anwendungsmöglichkeiten mit Embedded-KI ergeben sich in der Blutzuckermessung per Ultraschall oder der autonomen Kalibrierung von Isfet-pH-Sensoren.

Drei Technologieanwendungen werden vom Fraunhofer IPMS fokussiert. Fotodioden haben eine Vielzahl an Einsatzmöglichkeiten: in der Mobilität, der optischen Datenübertragung oder der Messtechnik. Hier dienen die KI-Ansätze nicht nur der optimierten Sensorsignalauswertung basierend auf der Intensitätsverteilung über die Lichtwellenlänge, sondern sie wird auch genutzt, um eine datengestützte Modellierung und Bewertung von Photodetektoren für den nahinfraroten Wellenlängenbereich vorzunehmen. Dadurch wird in der Designphase während der Bauelemententwicklung Zeit eingespart. Besonders die Verbesserung des Al-TiN-Si-Schottky-Detektorbauelements mit Pyramidalstrukturen zur höheren Empfindlichkeit und besseren Skalierbarkeit durch günstigere Materialien steht hier im Fokus. Ziel ist es, Modelle zu entwickeln, welche anhand des Kurvenverlaufs von Strom- und Spannungsparametern bereits auf Wafer­level die Funktionalität und den Verlauf der Sensitivität der Dioden vorhersagen. Diese Modelle sollen später auch für andere MEMS-Komponenten aussagekräftige Ergebnisse zu deren Qualität liefern.

Auch der Entwicklung von schlanken und platzsparenden Nah-Infrarot-Spektrometern kommt die Auswertung der Messdaten am Sensor zugute. Das Scanning-Mirror-Mikrospektrometer des Fraunhofer IPMS tastet einen gesamten Wellenlängenbereich ab und liefert dementsprechend umfangreiche Daten. Mit kompakten Sensoren, welche die komplexe Analyse im System leisten können, kann eine mobile Echtzeitanalyse von Textilien, beispielsweise in Recyclingprozessen, realisiert werden. 

Vorbild: Fledermaus-Radar

Ultraschallsensoren mit sensornaher Auswertung bedeuten eine schnellere Bildgebung. Im Bereich dieser Sensoren wird vor allem die Realisierung einer Gestenerkennung mittels Ultraschalls adressiert, welche beispielsweise zur kontaktlosen Steuerung von Maschinen eingesetzt werden kann. Insbesondere CMUTs (kapazitive mikromechanische Ultraschallwandler) zeichnen sich durch ihre geringe Größe und hohe Empfindlichkeiten aus. Unter anderem deshalb ermöglicht eine Gestenerkennung per Ultraschall eine exaktere Bildgebung. „Mit der Ultraschallerkennung möchten wir den Radar von Fledermäusen nachempfinden“, erklärt Dr. Sebastian Meyer, Leiter des Institutsteils Integrated Silicon Systems am Fraunhofer IPMS. Wie genau Fledermäuse ihre Umgebung so schnell und genau erfassen, ist bisher ungeklärt. Sicher ist aber, dass eine sehr komplexe Datenverarbeitung stattfinden muss, die viele Parameter berücksichtigt. „Künstliche Intelligenz kann hier wie ein neuronales Netz wirken und neben der aktuellen Datenverarbeitung auch Erfahrungswerte einbeziehen“, ergänzt Meyer.

KI-Rechner direkt am Sensor

Ein Demonstrator mit eingebettetem KI-Microcontroller wird auch anhand eines Ionenmobilitätsspektrometers (IMS) entwickelt. Ein IMS ermöglicht es, ionisierbare Analytsubstanzen schon in geringen Konzentrationen direkt in der Luft beziehungsweise dem jeweiligen Gasgemisch nachzuweisen. Über KI-Modelle, welche anhand von unterschiedlichen Spannungskurven trainiert werden, könnte ein IMS bald nicht nur Antworten über die Konzentration, also das bloße Vorhandensein von bestimmten Ionen im Gasgemisch liefern, sondern auch darüber, welche Stoffe vorhanden sind. 
Künstliche Intelligenz ist in Zukunft, vor allem für die Verarbeitung von umfangreichen Daten, kaum noch wegzudenken. Ein zusätzlicher Einsatz von KI-Rechnern direkt am Sensor beziehungsweise im System macht die Anwendungen vielseitig einsetzbar und wird für zahlreiche Automatisierungsprozesse relevant sein. 

Autoren
Dr. Marcel Jongmanns, Projektleiter am Fraunhofer IPMS, Institutsteil Integrated Silicon Systems, Abteilung Cognitive Systems

Dr. Sebastian Meyer, Leiter Institutsteil Integrated Silicon Systems am Fraunhofer IPMS, Abteilung Cognitive Systems

Julia Schulze, Redakteurin am Fraunhofer-Institut für Photonische Mikrosysteme IPMS