SoC und heterogene Computing-Architektur

Deep Learning mit HSA macht Machine Vision sicherer

| Autor / Redakteur: Lars Asplund, Frederik Bruhn * / Gerd Kucera

Effiziente Nutzung aller Ressourcen mit HSA

Mit der Einführung der neusten SoCs von AMD gibt es nun auch die passende Hardware, mit der man die Algorithmen der künstlichen Intelligenz in verteilter, hochintegrierter Sensorlogik beschleunigen kann, denn Software-Entwickler können nun auch eine leistungsfähige Recheneinheit nutzen, die für solche Prozesse bislang sträflich vernachlässigt wurde: den Grafikprozessor (GPU; Graphic Processing Unit).

Grafikprozessoren können parallele und rechenintensive Tasks weitaus effizienter bearbeiten als die CPU, sodass eine höhere parallele Rechenleistung zur Verfügung steht. Der Schlüssel liegt in der HSA-Technologie, die in der x86-Welt vor allem von AMD vorangetrieben und die zudem von vielen weiteren führenden Industrieunternehmen unterstützt wird.

Mikroarchitekturen mit HSA-Unterstützung integrieren die spezifischen Fähigkeiten von CPU, GPU und anderen Rechenelementen nahtlos in einem einzigen Chip – der Accelerated Processing Unit (APU) und machen so das bislang brachliegende Potenzial der GPU nutzbar. Das führt nicht nur zu einer allgemeinen Leistungssteigerung und einer optimierten Leistung pro Watt, sondern eröffnet auch ein gänzlich neues Leistungsniveau, welches die Art, wie wir mit unseren Geräten interagieren, grundsätzlich verändern wird.

Durch den Einsatz von offenen Standardwerkzeugen wie MATLAB oder OpenCL/OpenCV-Bibliotheken vereinfacht HSA zudem auch die Programmierung. Dieser neue Performance-Level ist aber nicht nur für Vision-Systeme interessant. Auch alle anderen Arten des Perceptual Computings können sie nutzen. Beispielsweise zur Spracherkennung, damit Roboter zunehmend besser und/oder effizienter verstehen, was wir sagen.

Die System-on-Chip-Halbleiter der G-Series von AMD vereinen alle diese oben genannten Features: Mit HSA-Support kombinieren sie die x86-Architektur mit einer leistungsstarken GPU sowie PCIe und umfassenden I/Os. Darüber hinaus bieten die G-Series SoCs noch einen weiteren Vorteil, der zwar nicht jedem bekannt aber extrem wichtig ist: Viele neue Applikationen werden nämlich in sicherheitskritischen Umgebungen betrieben, in denen Mensch und Maschine direkt kooperieren und in denen Machine Vision auch Bestandteil der Rückkopplungsschleifen von kritische Steuerungen ist. Deshalb ist eine hohe Zuverlässigkeit von Vision-Systemen von essentieller Bedeutung, selbst bei technisch einfachsten Lösungen.

Betrachtet man den schnell wachsenden Markt für Machine Vision in der Automobil-, Robotik- und Automatisierungsindustrie, in der in den kommenden Jahren Milliarden fortschrittlicher Sensoren eingesetzt werden sollen, ist es beunruhigend, dass so wenige Systeme auf eine stringente Sicherheit ausgelegt sind. Garantierte Datenintegrität nämlich ist eine der wichtigsten Voraussetzungen, um höchste Zuverlässigkeit und höchste Sicherheitsanforderungen zu erfüllen.

Jede einzelne Berechnung und jede autonome Entscheidung hängt davon ab. Deshalb ist es extrem wichtig, dass beispielweise im RAM gespeicherte Daten vor Fehlern geschützt sind und dass die Berechnungen in CPU und GPU strikt dem Code folgen. Fehler können jedoch durch so genannte Single-Event-Effekte (SE) entstehen. SEs werden von der immer vorhandenen Neutronen-Hintergrundstrahlung hervorgerufen. Diese entsteht immer dann, wenn hochenergetische Teilchen der Sonne und des Weltalls auf die äußere Atmosphäre der Erde treffen. Sie verursachen eine Flut von sekundären isotropen Neutronen, die bis zum Boden oder Meeresspiegel gelangen.

SEs kommen in Luft- und Raumfahrtapplikationen häufig vor. Deshalb existieren für diese Anwendungsfälle auch exakt definierte Richtlinien und Normen, wie die Systeme ausgelegt sein müssen. In IoT-Applikationen (IoT; Internet of Things) und insbesondere in Machine-Vision-Systemen werden diese Effekte jedoch häufig nicht berücksichtigt. Die Wahrscheinlichkeit solchen SEs ausgesetzt zu sein, variiert zwar je nach Technologie und Prozess, allerdings lassen sich die Wahrscheinlichkeiten in Single Event Ratios (SER) zusammenfassen (Bild 3). Ein SRAM, der als Cache-Speicher und in Prozessoren eingesetzt wird, ist besonders anfällig. Die SE-Wahrscheinlichkeit für Elektronikgeräte liegt auf Meereshöhe zwischen 10-8 und 10-2 Fehlern pro Betriebsstunde. Das bedeutet, dass alle 100 Stunden ein SE zu einem unerwünschten, gefährlichen Verhalten führen kann. Dementsprechend ist das SoC der Embedded-G-Series von AMD auf höchste Strahlungsresistenz getrimmt und bietet damit auch bestmögliche Sicherheit.

* Dr. Lars Asplund ist CSO und Dr. Frederik Bruhn ist CEO bei Unibap AB, Schweden.

Inhalt des Artikels:

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44355336 / Bildverarbeitung)