ARM Cortex-M处理器对机器学习的增强，DSP在IoT边缘计算时代

IOT设备可以处理机器学习和DSP的边缘处理吗？ARM的新宣布的Cortex-M处理器的氦气矢量扩展旨在促进边缘更复杂的开发。

即使对处理增加的要求，计算也越来越接近边缘。工程师积极努力将机器学习集成到IOT端点应用程序中此外，这一发展预计将以快速的速度继续。根据ARM和行业估计，超过20％的端点IOT设备将在2022年集成本地机器学习。

ARM旨在与项目Trillium这样的倡议的最前沿，专注于为开发机器学习应用提供资源。从模型和库到硬件加速器，开发人员可以“即插即用”硬件和软件，平台和处理器。部分毒率的目的是扩大现有处理器的能力，以便更多工程师进入越来越多的机器学习领域。

扩展范围处理器的功能是该计划的重要组成部分，它有LED ARM向Cortex-M处理器释放矢量扩展：氦气。

氦气：增强Cortex-M用于机器学习和DSP

氦是一种矢量延伸Cortex-M.处理器专注于两个垂直：机器学习和DSP。氦可以为Cortex-M架构带来高达5倍的信号处理性能和高达15倍的机器学习性能功能。

ARM已经开发了其他处理器，例如Cortex-A处理器，能够在许多情况下处理机器学习。然而，许多ARM合作伙伴已经熟悉Cortex-M-据ARM的数据，以来已有超过450亿的Cortex-M芯片自发布以来已经发货。由于M-Profile架构的这种普及，ARM决定扩展处理器家族的功能，以满足IOT应用程序中机器学习的需求。

通过这种方式，氦类似于2004年释放手臂氖SIMD(单指令多数据)体系结构扩展，以增强其Cortex-A系统的功能。就像Neon为Cortex-A所做的一样，Helium旨在为Cortex-M处理器提供扩展功能。

图表的屏幕截图描绘了M型材架构的当前和预计性能。图片礼貌手臂。

“我们在这个方向上移动的原因之一是市场表示[他们]在远边需要更多计算，一直到IOT系统中最小的设备，”汽车高级总监Rhonda Dirvin说和手臂上的物联网营销。“在边缘计算地址在边缘应用程序中不计算的延迟，自主，网络带宽，隐私和安全问题的一些问题。”

氦将ARMv8-M通用32位配置采用ARMV8-M通用32位配置，并为信号处理和机器学习添加固定长度128位矢量以及优化库。通过利用Cortex-M的低功率和小尺寸的优点（与皮质-A相比），氦气将使机器学习和DSP带到效率的边缘设备。

随着基于cortex - m芯片的广泛使用，氦有能力影响许多应用。

发展生态系统的日益增长的趋势

除了处理器功能的这些更新之外，ARM越来越多地为设计者提供开发工具和系统。在以前需要使用单独的架构并在开发边缘应用程序中使用单独的架构进行协作时，氦释放的员工伴随着开发人员的工具链，提供了一个集成的生态系统，旨在将多种解决方案在手臂伞下面带来：兼容ISA（指令集架构），程序员的模型，工具链和安全性通过ARM TrustZone。

“[if]您可以从两个单独的供应商中有两个单独的架构，如果它们完全有任何内容，它们可能有两个单独的安全功能。我们在氦架构上统一和实施的TrustZone的事实使得构建更容易在安全性并符合PSA原则，“德文说。

ARM对设计人员的自定义与ARM生态系统解决方案的可视化

像工业的几个组件制造商一样，武器，明确地看到了效用，在提供尽可能多的资源的设计师方面，使他们的产品能够最佳地进行 - 因此他们的平台提供尽可能多的解决方案。

Toolchain现已上市，使工程师能够在未来两年内释放硅氦之前开发应用程序。作为Lorenser笔记，“我们已经开始使用一些早期访问合作伙伴。并且目标是我们的生态系统合作伙伴能够在硬件供应方面提供解决方案。”

填充工程技能差距

通过将更多的机器学习和DSP功能纳入Cortex-M处理器，ARM也需要对各个工程师提供各个工程师，他们一直面临着需要各种技能的新挑战来克服。

正如Dirvin所说的那样：“让我们说一个开发人员对控制代码相当擅长，但他们[尚未]编程DSP。[氦]开启了他们的世界，他们可以在此处工作，在那里他们可以在此处工作以前的许多不同用例've仅限于有DSP能力的人。“

Thomas Lorenser，高级产品经理，嵌入式和物联网，补充道，“我最近对我们的硅合作伙伴之一进行了谈论，他们实际上正在努力寻找专家来编制自己的内部DSP。我认为如果他们有[这个工具链]在市场上众所周知，它会使他们的生活显着更容易。“

结束用例

随着信号处理和机器学习的扩展功能，以及集成开发工具和安全性，ARM已针对具有氦架构的使用案例的三个主要区域。

振动和运动

尽管专注于较小的边缘设备，但氦气的进步适用于工业环境。这超出了来自多个传感器的工业机器人的电机控制。通过集成机器学习，系统还将能够检测这些过程中的异常，并进行预测维护，以评估组件可能会分解。

声音和声音

启用语音的应用程序变得越来越普遍，但通过将机器学习与信号处理集成，最终使用可以更精确，执行高级关键字斑点，同时还通过隔离特定麦克风和噪声消除识别扬声器。

视觉和形象

氦也可能影响系统执行高级对象检测和识别的能力。例如，在装配线上，设备可以执行对象检测以及识别缺陷产品中的异常。Lorenser指出，基于非氦气的系统可能需要Cortex-M或等效控制器以及定制硬件或单独的DSP。氦气旨在简化设计过程，并尽快将系统达到市场。

更多可能性

谈到目前已出货的450亿个基于cortex - m的芯片，Dirvin表示:“我们坚信，当数百万开发者在设备上拥有这一水平的性能和能力时，还会有许多其他的应用案例。”

洛伦瑟补充说:“特别是对于物联网，这可能是可穿戴的应用。这可能是耳机应用。工业领域，甚至智能家居领域，根据市场分析师的说法，将会有相当显著的增长。现在市场上已经有了智能语音系统。但我们相信，随着智能门铃和其他应用程序的出现，机器学习在未来将变得非常重要。”

特色图片来自武装社区。