Semicondutores Automotivos de Próxima Geração: A Chave para Carros Totalmente Autônomos Nível 5

Eletrônica e Sensores INSIDER

Um olhar sobre os semicondutores de próxima geração necessários para alimentar os veículos totalmente autônomos de amanhã.

O Desafio Computacional da Autonomia Total

Os robotaxis sem motorista circulando em São Francisco e os recursos avançados de assistência ao motorista em mais da metade dos veículos novos vendidos este ano mostram o quão longe a tecnologia de veículos autônomos chegou. Mas para cumprir a promessa de autonomia nível 5 — carros que dirigem sozinhos em qualquer lugar sob quaisquer condições — especialistas dizem que precisamos de uma nova geração de semicondutores.

"Carros têm sido vistos como computadores sobre rodas há um tempo, mas para alcançar autonomia total, eles precisam ser mais como data centers itinerantes," disse Valeria Bertacco, Professora Mary Lou Dorf de Ciência da Computação e Engenharia. "Para dar esse salto, a indústria automotiva vai precisar de novos materiais, arquiteturas, sistemas e processos de fabricação para chips que sejam mais rápidos, mais baratos, de menor potência e mais duráveis."

Iniciativa MSTAR na Universidade de Michigan

Pesquisadores da Universidade de Michigan estão trabalhando com líderes globais da indústria para reimaginar sistemas de computação para AV. O esforço é apoiado por 10 milhões de dólares do estado de Michigan para a iniciativa Michigan Semiconductor Talent and Technology for Automotive Research (mstar), que também inclui imec, KLA, Michigan Economic Development Corporation, Washtenaw Community College e General Motors.

Veículos automatizados requerem poder computacional imenso que cresce exponencialmente com cada nível de autonomia. "Este é um sistema embarcado restrito," disse Reetuparna Das, Professora Associada de Ciência da Computação e Engenharia. "A necessidade de hardware de IA mais eficiente é muito bem compreendida. É um mercado de bilhões de dólares."

Abordagem Neuromórfica: Imitando o Comportamento Cerebral

Os modelos de rede de deep learning nos AVs atuais imitam vagamente a estrutura de um cérebro biológico, mas operam muito menos eficientemente. Funcionam processando um fluxo contínuo de dados não filtrados. Pesquisadores da U-M estão desenvolvendo uma abordagem que imita o comportamento cerebral, em vez da estrutura. Foca em contraste, movimento e eventos súbitos, muito como nosso cérebro e olhos trabalham juntos para filtrar e focar nossa atenção.

Estão testando um processador mais eficiente chamado chip neuromórfico baseado em sua tecnologia de memristor de óxido de tungstênio, e um algoritmo companheiro de "rede neural de disparos" (spiking neural network). "Sensores neuromórficos não capturam frames como câmeras convencionais. Em vez disso, detectam mudança em cada pixel independentemente," disse Wei Lu, Professor James R. Mellor de Engenharia em Engenharia Mecânica.

Arquitetura Chiplet: Modularidade e Robustez

Enquanto a arquitetura tradicional "system on a chip" envolve imprimir todos os componentes em uma única peça de silício, as necessidades computacionais dos AVs levam seu limite em termos de tamanho físico e complexidade. A abordagem chiplet envolve componentes menores e modulares que podem ser misturados e combinados em uma placa de circuito para construir sistemas mais personalizados e duráveis. Pesquisadores da U-M estão desenvolvendo um protocolo de comunicação chiplet mais robusto que pode operar por anos em um veículo em movimento.

"Não apenas a comunicação chiplet precisa ser robusta, mas também eficiente em termos de energia e largura de banda," disse Mike Flynn, Professor Fawwaz T. Ulaby de Engenharia Elétrica e de Computação. "Estamos tentando torná-la de alta velocidade e baixa potência também."

Fonte: Universidade de Michigan