Stefan Bosse
Universität Bremen, Fachbereich Informatik, Bremen, Germany
29.4.2020
sbosse@uni-bremen.de |
Bedeutung:
Normalerweise wird die Berechnung von Sensorerfassung und Steuerung getrennt
Smarte Materialien stellen die enge Verbindung zwischen
Algorithmische Skalierung und Verteilung sind erforderlich
Mooresches Gesetz sagte starke Miniaturisierung voraus
Jedoch die Informatik und deren Methoden konnten nicht immer folgen → Lücke zwischen Hardware und Software
Eine normalisierte Recheneffizienz eines Computers (nur unter Berücksichtigung der Datenverarbeitungseinheit) kann definiert werden durch:
Chipfläche in mm2
Rechenleistung in Mega Instructions per Second (MIPS) - oder besser in Kilo Dhrystones/s (KDS)!
Elektrische Leistungsaufnahme in W
Die Recheneffizienz kann verwendet werden, um verschiedene Computer und Geräte zu vergleichen, d.h. einen Skalierungsfaktor anzugeben:
Gesamter Speicher in Mega Bytes (MB), beinhaltet RAM, ROM, Register
Gesamte Kommunikationsfähigkeit als Datendurchsatz (Mega Bit/s)!
Einfachste Maßzahl ist die Anzahl der Integer- oder Fliesskommaoperationen pro Zeiteinheit (MIPS/FLOPS)
Ein Programm besteht i.A. aus den folgenden High-level Operationen:
⇒ Dhrystone Benchmark umfasst alle oben genannten Operationen!
Mache eigene Messungen mit dem dhrstone benchmark Test auf verschiedenen Rechnern und Virtuellen Maschinen.
Stelle eine Tabelle zusammen mit gängigen Computern (mobil, Desktop, Server, eingebettete Rechner, Nanorechner) mit den Daten MIPS/DPS, Speicher, Kommunikation (abgeschätzt) sowie Chip Fläche und el. Leistungsbedarf
Berechne die verschiedenen ε Parameter und vergleiche …
Existierende “Nano”-Computer:
Micro Mote M3
| ELM System
|
Existierende Kleinstrechner für Sensornetzwerke mit Drahtloskommunikation (WLAN, Bluetooth)
Raspberry PI Zero
| ESP8266
|
Micro Mote (M3 ) | ELM System | Atmel Tiny 20 | Freescale KL03 | ARM Cortex Smart Phone | |
Processor | Arm Cortex M0 | C8051F990 (SL) | AVR | Arm Cotex M0+ | Arm Cortex A9 |
Clock | 740kHz max. | 32kHz | - | 48MHz | 1GHz |
CPU Chip Area | 0.1mm2 | 9mm2 | 1mm2 | 4mm2 | 7mm2/ROM |
Sensors | Temperature | - | - | - | Temp, Light, Sound, Accel., Press., Magn. |
Communication | 900MHz radio, optical | optical | electrical | - | 3G/4G, WLAN, USB, Bluetooth, NFC |
Harvester, Battery | Solar cell, Thin film | Solar cell, Coin | - | - | - |
Power Consumption | 70mW / CPU | 160mW / CPU | 20mW | 3mW @ 48MHz | 100mW avg., |
Manufacturing | 180nm CMOS | - | - | - | 40nm CMOS |
Package | Wire bonded | Silicon Stack | PCB | Single Chip | Single Chip |
Computing Eff. εC | 150 | 0.02 | 0.6 | 4.0 | 0.53 |
f=100kHz, M=1kB, A=0.1mm2, Drucksensor, hybrider Aufbau, Dünnfilmbatterie, Solarzelle, Kommunikation (kurzreichweitig <10 cm)
(https://www.tested.com/tech/photography/1908-this-sensor-is-actually-a-tiny-computer-for-your-eyeball)
|
|
Zurück zu den Algorithmen: Wenn pro Rechnerzelle weniger als !MIPS Rechenleistung und weniger als 1kB Speicher zur Verfügung steht müssen sich die Alogorithmen und Konzepte ändern → Algorithmische Skalierung
Verwendung der eingangs eingeführten Zellulärer Automaten als verteilte Rechneranlage!
Die Rechnerzellen arbeiten dabei direkt auf den Sensordaten und führen einfachste Berechnungen mit Nachbardaten aus
Das Problem: Anders als bei klassischen Algorithmen sind diese Regeln nicht bekannt! Diese Transformationsregeln werden daher häufig gelernt (d.h. die geeigneten Regeln z.B. für Kantentendetektion aus der Menge aller möglichen Kombination von Pixeloperationen ausgewählt)
Sensorische Materialien für die materialintegrierte Schadendsdetektion benötigen neue Konzepte der Datenverarbeitung
Es gibt Ähnlichkeiten zu dem Internet der Dinge
Sensorische Materialien können zusammen mit dem IoT in Cloud Umgebungen zusammengefasst werden
Verteilte Datenverarbeitung ist der einzige Weg für skalierbare Sensornetzwerke mit Millionen von Kleinstrechnern
Zelluläre Automaten (obwohl schon lange bekannt) bieten einen Lösungsansatz