Table of Contents

La conception des dispositifs IoT ledge exige un équilibre délicat entre performance et efficacité énergétique, deux facteurs qui fonctionnent souvent les uns contre les autres. Alors que l'Internet des objets continue de s'étendre, avec 75 milliards d'appareils connectés dans le monde entier, d'ici 2025, la demande de dispositifs intelligents et économes en énergie n'a jamais été plus grande. Ces appareils doivent traiter les données localement, réagir en temps réel et fonctionner pendant de longues périodes sur des budgets d'énergie limités, tout en maintenant les capacités de calcul nécessaires pour des charges de travail de plus en plus complexes.

Le défi consiste à créer des appareils capables de gérer des tâches sophistiquées comme l'inférence de l'intelligence artificielle, l'analyse en temps réel et la fusion de capteurs sans égoutter les batteries ou sans devoir utiliser des connexions à puissance constante. Cette approche axée sur l'efficacité se traduit directement par des coûts opérationnels moindres et permet de nouveaux modèles d'affaires basés sur des appareils «déployés et oubliés» ayant une durée de vie de plusieurs années.

Comprendre l'échange performance-puissance dans les appareils IoT Edge

Le défi fondamental dans la conception de l'appareil IoT bord provient de la relation inverse entre la performance de calcul et la consommation d'énergie. Les performances plus élevées nécessitent généralement plus de transistors qui changent à des vitesses plus rapides, ce qui augmente la consommation d'énergie à la fois dynamique et statique.

L'informatique d'Edge a transformé le fonctionnement des appareils IoT en traitant les données près de sa source plutôt que de s'appuyer sur des serveurs cloud éloignés. Ce changement architectural réduit les exigences de latence et de bande passante, mais impose des exigences plus élevées en matière de calcul sur les appareils à ressources limitées.

Les applications IoT modernes exigent une réactivité en temps réel que le traitement basé sur le cloud ne peut pas toujours fournir. L'informatique sur le bord minimise considérablement les retards de traitement en calculant les données proches des appareils IoT. La gestion locale des données élimine la latence qui se produit lorsque l'information doit se déplacer vers et depuis un serveur cloud en ligne.

Considérations matérielles clés pour la conception de l'appareil IoT Edge

Sélection de l'architecture du processeur

Le choix de l'architecture du processeur est peut-être la décision la plus critique dans la conception de périphérique IoT bord. Le processeur détermine non seulement les capacités de calcul mais aussi la consommation d'énergie, le coût et la complexité du développement.

Les processeurs ARM sont depuis longtemps la norme pour les systèmes mobiles et embarqués en raison de leur efficacité énergétique. La faible consommation d'énergie des processeurs ARM leur donne un avantage dans les appareils mobiles et les systèmes embarqués. La conception de faible puissance et les techniques d'économie d'énergie d'ARM en font un choix idéal pour les applications de calcul de bord et IoT.

Le RISC-V est aujourd'hui largement adopté comme l'architecture principale des systèmes informatiques de bord contemporains, y compris ceux qui sont chargés de la charge de travail DL. Les déploiements industriels concrets mettent en évidence l'adoption et la maturité croissantes des architectures RISC-V adaptées à une inférence DL efficace dans les environnements de ressources limitées.

La nature ouverte de RISC-V permet aux concepteurs de créer des processeurs hautement spécialisés optimisés pour des charges de travail spécifiques. Le noyau de processeurs proposé utilise la conception modulaire open source de l'architecture de l'ensemble d'instructions RISC-V (ISA) pour mettre en œuvre de puissantes techniques de conception de faible puissance telles que le réglage fin des horloges, le réglage de puissance et le parallélisme de niveau d'instruction pour minimiser l'utilisation dynamique et régulière de la puissance.

Microcontrôleurs ultra-faible puissance

Le marché des microcontrôleurs a connu une innovation importante axée sur la réduction de la consommation d'énergie tout en augmentant les capacités de calcul.Le marché des microcontrôleurs IoT a atteint 5,1 milliards de dollars en 2024, selon le rapport de marché des microcontrôleurs IoT Analytics 2025-2030 (publié en octobre 2025).

STMicroelectronics a annoncé son STM32WL33, un système sans fil ultra-faible puissance sur puce (SoC) ciblant les applications de mesure intelligente, de construction intelligente et d'IoT industrielle. La puce peut atteindre des niveaux actuels aussi bas que 4.2 μA en mode de réception à large bande seulement, et lorsque jumelé avec certains capteurs optimisés, la durée de vie de la batterie de ces puces peut s'étendre à 15 ans.

NXP a introduit sa série MCX L, une nouvelle génération de microcontrôleurs ultra-faible puissance, construits sur un processus ULP de 40 nm et dotés d'un contrôle dynamique adaptatif de tension (ou ADVC). Ces techniques d'adaptation permettent aux appareils d'ajuster dynamiquement la consommation d'énergie en fonction des exigences de charge de travail, en maximisant la durée de vie de la batterie sans sacrifier les performances au besoin.

Unités de traitement neuronal et accélérateurs d'IA

Comme des milliards d'appareils connectés collectent et traitent des données en temps réel, rapprocher l'intelligence de la source est le seul moyen d'atteindre la réactivité, l'efficacité et la sécurité du marché. Les unités de traitement neuronal (NPU) et les accélérateurs d'IA permettent aux appareils de faire fonctionner localement des modèles d'apprentissage machine complexes sans des budgets de puissance écrasantes.

L'intégration des capacités d'IA directement dans les périphériques de bord transforme les applications IoT. En intégrant les modèles ML dans le matériel, les périphériques IoT peuvent effectuer des tâches telles que la reconnaissance d'image, la détection d'anomalies, la maintenance prédictive et le traitement du langage naturel sans aide constante du cloud.

Les plateformes modernes de l'IA combinent plusieurs éléments de traitement pour une efficacité optimale. MediaTek Genio est conçu pour la nouvelle ère de l'IoT; il combine un traitement de l'IA de haute performance et d'efficacité énergétique avec un support de longue durée. Tirant parti de notre leadership en silicium mobile et en connectivité, les plateformes MediaTek Genio intègrent des NPU avancés pour l'IA sur le terminal, un multimédia robuste pour les applications qui nécessitent l'affichage et l'audio, et une large gamme d'options de connectivité, y compris Wi-Fi, Bluetooth, 5G RedCap ou large bande 5G.

Stratégies et techniques de gestion de l'énergie

Voltage dynamique et calibrage de fréquence (DVFS)

Dynamic Voltage and Frequency Scaling représente l'une des techniques de gestion de puissance les plus efficaces pour les dispositifs IoT. DVFS permet aux processeurs d'ajuster leur tension de fonctionnement et la fréquence des horloges en fonction de la charge de travail actuelle, réduisant la consommation d'énergie pendant les périodes de faible activité tout en maintenant les performances au besoin.

Les dispositifs IoT qui règlent dynamiquement les niveaux de puissance peuvent économiser l'électricité sans ralentir. Cependant, l'échelle de tension doit conserver l'énergie tout en maintenant les performances du système. Le défi consiste à mettre en œuvre des algorithmes DVFS qui peuvent prédire les besoins en charge de travail et ajuster les états de puissance assez rapidement pour éviter la dégradation des performances.

La mise en œuvre correcte de DVFS nécessite une attention particulière aux seuils de tension. Une perte de tension excessive peut causer des erreurs ou des performances médiocres. Les contrôleurs DVFS modernes utilisent des algorithmes sophistiqués qui surveillent les mesures de performance du système en temps réel, ajustant la tension et la fréquence pour maintenir un fonctionnement optimal tout en minimisant la consommation d'énergie.

Modes de sommeil et états de puissance

La plupart des microcontrôleurs modernes soutiennent plusieurs modes de sommeil, allant des états de sommeil légers qui maintiennent le fonctionnement périphérique aux modes de sommeil profonds qui arrêtent presque tous les composants du système, sauf pour les circuits de réveil.

L'efficacité des modes de sommeil dépend du cycle de fonctionnement de l'application. Pour les appareils qui passent la plupart de leur temps au ralenti – tels que les capteurs environnementaux qui prennent des lectures périodiques – les modes de sommeil agressifs peuvent réduire la consommation moyenne d'énergie par ordre de grandeur. La clé est de minimiser la latence de réveil et l'énergie de transition afin que l'entrée et la sortie des états de sommeil ne nie pas les économies d'énergie.

Les optimisations de niveau de circuit complètent les stratégies de mode de sommeil. Il existe de nombreuses optimisations de niveau de circuit pour réduire la consommation de puissance des transistors.

Gestion efficace de la mémoire

Les sous-systèmes de mémoire représentent souvent une part importante de la consommation totale d'énergie dans les périphériques de bord. L'optimisation de l'architecture de mémoire et des modèles d'accès est essentielle pour l'efficacité de la puissance. Les périphériques intégrés ont souvent une mémoire ou une bande passante limitée.

La mémoire sur puce, bien que plus chère en termes de surface de silicium, consomme beaucoup moins d'énergie que les accès DRAM externes. Les concepteurs doivent soigneusement équilibrer les besoins de capacité de mémoire par rapport aux budgets d'énergie, utilisant souvent des architectures de mémoire hiérarchiques qui gardent les données fréquemment accessibles dans des caches sur puce rapides et de faible puissance tout en utilisant la mémoire externe seulement lorsque nécessaire.

Optimisation du logiciel pour l'efficacité énergétique

Optimisation de l'algorithme et compression du modèle

L'optimisation logicielle joue un rôle tout aussi important que la sélection du matériel dans la réalisation d'un calcul de bord efficace. Pour les charges de travail en AI, les techniques de compression de modèles peuvent réduire considérablement les exigences de calcul sans avoir d'impact significatif sur la précision.

La quantisation réduit la précision des poids et des activations du réseau neuronal, généralement de 32 bits à 8 bits ou encore moins de largeurs de bits. Cette réduction diminue l'empreinte mémoire et la complexité informatique, ce qui permet d'économiser beaucoup d'énergie.

TinyML est devenu un domaine spécialisé dans l'utilisation de modèles d'apprentissage automatique sur des appareils extrêmement limités en ressources. Il existe un écosystème croissant de cadres d'apprentissage machine légers (par exemple TensorFlow Lite for Microcontrollers, TinyML) permettant même les appareils IoT limités en ressources d'exécuter des modèles ML. Ces cadres optimisent les modèles spécifiques pour les appareils de classe microcontrôleur avec une puissance de mémoire et de traitement limitée.

Systèmes d'exploitation en temps réel et calendrier des tâches

Le choix du système d'exploitation et de la stratégie de planification des tâches a des répercussions importantes sur l'efficacité énergétique. Les systèmes d'exploitation en temps réel (RTOS) conçus pour les applications intégrées comprennent généralement des algorithmes de planification de l'alimentation qui peuvent mettre le processeur dans des états de faible puissance pendant les périodes de ralenti et gérer l'exécution des tâches pour minimiser la consommation d'énergie.

Les tâches d'IA doivent coexister avec les tâches de contrôle ou de sécurité. L'OS en temps réel ou les cadres de planification doivent garantir que l'inférence d'IA ne prive pas ou n'interrompt pas les sous-systèmes critiques. Des budgets de calcul divisés ou des files d'attente prioritaires peuvent être nécessaires.

Au lieu de réveiller le processeur fréquemment pour de petites tâches, les opérations de batch permettent à l'appareil de rester dans des états de faible puissance pendant de plus longues périodes, réduisant ainsi les frais généraux d'énergie associés aux transitions d'état.

Optimisation du protocole de communication

La communication sans fil représente souvent le plus grand consommateur d'énergie unique dans les appareils IoT fonctionnant avec batterie. L'optimisation des protocoles de communication et des modes de transmission est essentielle pour prolonger la durée de vie de la batterie.

Le traitement des bords réduit la quantité de données qui doivent être transmises au cloud. Les organisations peuvent réduire les coûts de bande passante et de stockage en nuage en déchargeant le traitement des données à partir de serveurs centralisés. En effectuant des analyses locales et en ne transmettant que les résultats ou anomalies traités plutôt que les données brutes des capteurs, les appareils peuvent réduire considérablement leur budget énergétique de communication.

Collecte d'énergie et sources d'énergie de remplacement

Récolte de l'énergie solaire

Les technologies de récolte d'énergie permettent aux appareils IoT de fonctionner indéfiniment sans remplacement de batterie, ce qui les rend idéales pour des déploiements à distance ou inaccessibles. La récolte d'énergie solaire est l'approche la plus mature et la plus largement déployée, utilisant des cellules photovoltaïques pour convertir la lumière ambiante en énergie électrique.

Les systèmes modernes de récolte solaire peuvent fonctionner efficacement même dans les environnements intérieurs avec éclairage artificiel. La clé pour les dispositifs IoT à propulsion solaire réussi est de correspondre la capacité de récolte d'énergie au profil de consommation d'énergie de l'appareil, nécessitant souvent des éléments de stockage d'énergie comme les supercondensateurs ou les batteries rechargeables pour tamponner l'énergie pendant les périodes de faible disponibilité de la lumière.

Cinétiques et la récolte d'énergie de vibration

La collecte d'énergie cinétique capte l'énergie du mouvement ou des vibrations, ce qui la rend adaptée aux applications dans les environnements industriels, les appareils portables ou la surveillance des infrastructures.

Bien que la récolte cinétique produit généralement moins d'énergie que les alternatives solaires, elle peut être plus fiable dans les environnements où la lumière est indisponible ou incohérente. La surveillance des machines industrielles représente une application idéale, où la vibration constante fournit une source d'énergie stable pour les nœuds de capteurs sans fil.

Récolte d'énergie thermique et RF

Les générateurs thermoélectriques exploitent les différences de température pour produire de l'électricité, utile dans les applications où des sources de chaleur sont disponibles. Cependant, les dispositifs de stockage d'énergie thermique ne sont pas toujours utiles. Avant d'être utilisés, ils doivent être améliorés.

La collecte d'énergie par radiofréquences (RF) capte les rayonnements électromagnétiques ambiants provenant de sources telles que les routeurs Wi-Fi, les stations de base cellulaires ou les émetteurs RF spécialisés.

Optimisation de l'IA et de l'apprentissage automatique

Stratégies d'inférence sur les appareils

En 2025, la réduction de la puissance par inférence est une mesure de conception primaire, qui n'est plus secondaire. Le rapport technologique de l'IA de l'Edge 2025 souligne que l'IA de l'extrémité est essentielle pour minimiser la transmission des données, réduire la latence et réduire les déchets énergétiques.

L'intelligence artificielle (AI) et l'apprentissage automatique (ML) jouent un rôle crucial dans la façon dont les appareils IoT traitent les données à la périphérie. Bien que l'informatique en nuage traditionnelle repose sur des serveurs centralisés pour le traitement des données, l'informatique en bord effectue également des tâches d'IA et de ML directement sur les appareils locaux compatibles avec l'IoT. Cette approche décentralisée permet une analyse en temps réel et une prise de décision plus rapide, même sans connectivité Internet.

Les entreprises de semi-conducteurs produisent des chipsets AI/ML spécialisés pour les appareils IoT qui offrent des performances élevées tout en réduisant la consommation d'énergie. Ceux-ci vont de petits microcontrôleurs avec des accélérateurs de réseau neuronal intégrés, à des systèmes sur puces plus puissants (SoCs) qui peuvent exécuter des tâches de vision informatique ou d'apprentissage profond à la périphérie.

Architectures hybrides à l'aide de nuages de bord

Au lieu de choisir entre le traitement en périphérie pure ou en nuage pur, les architectures hybrides offrent le meilleur des deux mondes. Alors que l'informatique en bordure et l'informatique en nuage sont souvent comparées, ce n'est pas nécessairement un choix entre l'un et l'autre. Habituellement, une approche hybride fonctionne mieux : l'informatique en bordure peut gérer des tâches sensibles au temps, tandis que l'informatique en nuage peut gérer le stockage à long terme, l'analyse profonde et les calculs lourds qui ne sont pas aussi critiques au temps.

Les architectures hybrides permettent aux appareils d'effectuer des inférences critiques localement tout en déchargeant des formations complexes de modèles, des mises à jour et des analyses profondes aux ressources en nuage. Cette approche optimise la latence et la consommation d'énergie, en utilisant le traitement de bord pour les décisions en temps réel et le traitement en nuage pour les tâches qui bénéficient de ressources informatiques plus importantes.

La mise en place de systèmes hybrides efficaces exige une répartition rigoureuse des charges de travail.Ce qui était impossible pour les systèmes embarqués – modèles multimodaux, contextuels – devient réaliste. La tendance est vers des modèles modulaires de grande taille qui peuvent être cloisonnés ou distribués à travers les périphériques en collaboration.En 2025, le travail académique est déjà en train d'émerger sur les grands modèles d'IA (LAM), qui décomposent un grand modèle en modules qui s'étendent sur des dispositifs hétérogènes ou des nœuds de bord.

Mise à jour du modèle et gestion du cycle de vie

Les appareils embarqués ont besoin d'une infrastructure robuste pour mettre à jour les modèles (télécharger de nouveaux poids, runback, gestion de version) sans perturber le fonctionnement. La sécurité est essentielle dans les mécanismes de mise à jour. Les mises à jour en direct (OTA) permettent une amélioration continue des modèles déployés sans accès physique aux appareils.

La surveillance de la performance du modèle dans la production est essentielle pour maintenir la précision au fil du temps.Les appareils doivent être surveillés de façon intégrée pour détecter quand la précision du modèle se dégrade (due à la dérive), aux erreurs d'exécution ou aux dépassements de ressources.

Considérations de sécurité dans les appareils à commande électrique

Sécurité matérielle

La sécurité est une préoccupation essentielle pour les périphériques IoT, mais les mécanismes de sécurité traditionnels peuvent consommer des ressources importantes en matière de puissance et de calcul.

Les MCU sécurisés et les racines matérielles de confiance deviennent obligatoires dans les appareils IoT, car l'industrie reconnaît l'importance de la sécurité de la base. Ces caractéristiques de sécurité matérielle protègent les clés cryptographiques, vérifient l'intégrité du firmware et fournissent des capacités de démarrage sécurisées sans le survol de solutions logicielles seulement.

Cryptographie efficace

Les opérations cryptographiques légères conçues spécifiquement pour les applications IoT offrent une sécurité adéquate avec des exigences de calcul réduites. L'accélération matérielle des opérations cryptographiques communes réduit encore la consommation d'énergie tout en maintenant la sécurité.

Le traitement des bords peut effectivement améliorer la sécurité en réduisant la transmission des données. L'un des avantages essentiels de l'informatique de bord avec les appareils IoT est sa capacité à renforcer la sécurité des données. En traitant les données réglementées localement, les entreprises réduisent le risque d'exposer les données lors de la transmission en nuage.

Gestion thermique et considérations environnementales

Dissipation de chaleur dans les appareils compacts

La consommation d'énergie et la production de chaleur sont intrinsèquement liées, chaque watt de puissance électrique devient en fin de compte de la chaleur. Dans les appareils IoT compacts et sans ventilateur, la gestion thermique devient une contrainte critique de conception.

Les stratégies de refroidissement passif dominent dans les dispositifs IoT en raison des contraintes de puissance et de taille. Les éviers thermiques, les matériaux d'interface thermique et la mise en page soignée des PCB aident à dissiper la chaleur sans refroidissement actif. Le choix des matériaux d'enceinte et la conception impactent de façon significative les performances thermiques, avec des boîtiers métalliques offrant une meilleure dissipation de chaleur que les alternatives plastiques.

Fonctionnant dans des environnements extrêmes

De nombreux dispositifs IoT doivent fonctionner dans des conditions environnementales difficiles – températures extrêmes, humidité, poussière ou vibrations.Ces conditions affectent à la fois la consommation d'énergie et la fiabilité.

Les composants de qualité industrielle classés pour des plages de température prolongées sont essentiels pour des déploiements d'environnement rigoureux. Revêtement conformel, boîtiers scellés et connecteurs robustes protègent l'électronique contre les dommages environnementaux tout en maintenant les performances thermiques.

Méthodologies de conception et pratiques exemplaires

Budgétisation et analyse de l'énergie

Les ingénieurs doivent rendre compte de tous les consommateurs d'énergie – processeur, mémoire, capteurs, modules de communication et périphériques – dans tous les modes de fonctionnement. Les outils d'analyse de puissance aident à identifier les possibilités d'optimisation et à vérifier que les conceptions répondent aux objectifs de puissance.

La mesure et le profilage de la consommation d'énergie réelle tout au long du cycle de développement garantissent que les conceptions restent dans le budget. Les outils de développement modernes fournissent des capacités d'analyse de puissance détaillées, ventilant la consommation par composant et état d'exploitation.

Co-conception hardware-logiciel

Une efficacité optimale de l'alimentation nécessite une collaboration étroite entre les équipes matérielles et logicielles. La méthodologie de co-conception du matériel/logiciel EXTREM-EDGE pour ajouter des extensions d'instructions personnalisées à l'ISA RISC-V ainsi que des accélérateurs matériels personnalisés pour une solution matérielle haute performance et de faible puissance pour les applications d'IA au bord de l'IoT. EXTREM-EDGE adopte une philosophie d'intégration stricte pour l'ajout d'unités fonctionnelles d'IA (AFU) dans le pipeline du processeur, qui permet à la fois des tâches d'IA et non d'AI à exécuter sur le même processeur.

Les approches de co-conception permettent d'optimiser les algorithmes logiciels pour des capacités matérielles spécifiques, tandis que les fonctionnalités matérielles sont conçues pour accélérer les opérations critiques des logiciels. Cette synergie produit de meilleurs résultats que l'optimisation indépendante du matériel et du logiciel.

Prototypage et validation

Le prototypage précoce avec les cartes de développement et les kits d'évaluation permet aux équipes de valider les hypothèses de consommation d'énergie avant de s'engager sur le matériel personnalisé.

Les outils d'estimation de puissance intégrés dans la synthèse et les flux de place-et-route fournissent un retour d'information sur les implications de la consommation d'énergie des différents choix de conception, permettant l'optimisation avant la désintégration.

Demandes et cas d'utilisation de l'industrie

Villes intelligentes et infrastructures

Dans les villes intelligentes, les caméras et les feux de circulation équipés d'IA peuvent analyser le flux de trafic et s'ajuster en temps réel pour réduire la congestion et les émissions. Ces systèmes doivent fonctionner en permanence pendant des années avec un minimum d'entretien, rendant l'efficacité énergétique critique.

Les réseaux de surveillance de l'environnement déployés dans les zones urbaines recueillent des données sur la qualité de l'air, les niveaux sonores, la température et d'autres paramètres.

IoT industriel et entretien prédictif

Un capteur d'usine intelligent avec puce AI peut détecter l'usure de l'équipement ou prévoir des défaillances sur place, en empêchant les temps d'arrêt. Selon McKinsey, la maintenance prédictive IoT pilotée par AI pourrait réduire les coûts de maintenance de 10 à 40 % et réduire les temps d'arrêt de l'équipement de 50 % – une augmentation d'efficacité énorme.

Les capteurs de vibration qui surveillent les machines tournantes peuvent récolter de l'énergie à partir des vibrations mêmes qu'ils mesurent, créant des systèmes de surveillance auto-alimentés. Edge AI permet à ces capteurs de distinguer le fonctionnement normal des modèles anormaux localement, en alertant les équipes de maintenance uniquement lorsque l'intervention est nécessaire plutôt que de diffuser des données continues.

Soins de santé et appareils portables

Les applications de soins de santé exigent à la fois des performances élevées pour une surveillance précise et une efficacité énergétique extrême pour l'usure et le confort du patient.

Le traitement des données de santé sensibles dans les hôpitaux peut être traité localement avec moins de risque de cybermenace que les données transmises régulièrement sur les réseaux. Ce traitement local permet également des alertes en temps réel pour des conditions critiques sans dépendre de la connectivité réseau.

Agriculture et surveillance de l'environnement

Les applications IoT agricoles fonctionnent souvent dans des endroits éloignés sans puissance fiable ni connectivité. Les capteurs d'humidité du sol à énergie solaire, les stations météorologiques et les caméras de surveillance des cultures doivent fonctionner de manière autonome pendant des saisons de croissance entières.

Les systèmes d'irrigation intelligents démontrent la valeur de l'intelligence de pointe dans la conservation des ressources. Les applications réelles notables de l'informatique de pointe en IoT comprennent l'irrigation intelligente et la gestion de l'eau (réduit la consommation de jusqu'à 30%) en traitant localement les données des capteurs et en prenant des décisions d'irrigation sans connectivité cloud.

Tendances futures et technologies émergentes

Technologies de procédés avancées

Les microcontrôleurs IoT modernes utilisent 40nm et les procédés plus petits pour réaliser un fonctionnement ultra-faible tout en intégrant plus de fonctionnalités sur une seule puce. Les nœuds de processus futurs vont encore réduire la consommation d'énergie, permettant ainsi des dispositifs de bord encore plus capables.

Des procédés de fabrication spécialisés optimisés pour un fonctionnement ultra-faible, plutôt que des performances maximales, apparaissent. Ces procédés privilégient un faible courant de fuite et un fonctionnement efficace à des tensions réduites, idéal pour les applications IoT alimentées par batterie où les performances maximales sont moins importantes que l'efficacité énergétique.

Informatique neuromorphe

Les architectures de calcul neuromorphes inspirées des réseaux neuronaux biologiques promettent des améliorations spectaculaires de l'efficacité énergétique pour les charges de travail en AI. Ces systèmes axés sur les événements traitent l'information de manière asynchrone, ne consommant de l'énergie que lorsque les événements sont traités plutôt que de faire passer des données en continu par pipelines.

À mesure que la technologie neuromorphe mûrit, elle peut permettre de nouvelles classes d'applications d'IA toujours sur-dessus qui étaient auparavant impossibles à mettre en œuvre en raison de contraintes de puissance.

5G et connectivité avancée

La technologie cellulaire de cinquième génération offre des possibilités et des défis pour les appareils IoT. Connectivité ultra-faible Latence : les réseaux 5G permettent de nouvelles catégories d'applications IoT en temps réel. La faible latence et la bande passante élevée de 5G permettent de nouvelles applications, mais la consommation d'énergie des modems 5G reste une préoccupation pour les appareils fonctionnant avec batterie.

Les appareils RedCap permettent d'obtenir une meilleure efficacité que la 5G complète tout en maintenant une latence inférieure et une bande passante supérieure à celle de LTE, en obtenant un équilibre approprié pour de nombreux scénarios de calcul de bord.

IdO durable et vert

De plus, l'IA durable et l'efficacité-première pensée est en croissance: moins l'énergie consommée pour l'intelligence, plus le déploiement est viable devient sur des millions d'appareils. Réduire la consommation d'énergie non seulement prolonge la durée de vie de la batterie, mais aussi diminue l'impact environnemental de la fabrication, de l'exploitation et de l'élimination de milliards d'appareils IoT.

Les principes de l'économie circulaire influencent la conception du matériel IoT, en mettant l'accent sur la recyclabilité, la réparabilité et la longévité.

Lignes directrices pratiques pour la mise en œuvre

Critères de sélection des composantes

La sélection de composants appropriés exige l'équilibre entre plusieurs facteurs : exigences de rendement, budget énergétique, contraintes de coûts, disponibilité et soutien des écosystèmes. La sélection des microcontrôleurs devrait tenir compte non seulement des spécifications, mais aussi de la qualité des outils de développement, du soutien communautaire et de la disponibilité à long terme des produits à cycle de vie pluriannuel.

La sélection des capteurs a un impact significatif sur la consommation d'énergie globale du système. Les capteurs modernes intègrent des fonctions de gestion de l'énergie telles que les débits d'échantillonnage configurables, le traitement sur puce et le fonctionnement interrompu qui réduisent au minimum l'implication du processeur hôte.

Conception de l'alimentation électrique

La conception efficace de l'alimentation est essentielle pour maximiser la durée de vie de la batterie. Les régulateurs de commutation offrent une meilleure efficacité que les régulateurs linéaires, mais ils introduisent un bruit de commutation qui peut affecter les circuits analogiques sensibles.

La sélection des batteries doit tenir compte non seulement des caractéristiques de capacité mais aussi des caractéristiques de décharge, de la vitesse d'autodécharge, de la plage de température de fonctionnement et du coût.

Essais et validation

Des tests de puissance complets tout au long du développement garantissent que les appareils répondent aux objectifs d'efficacité. L'équipement de mesure actuel avec une large gamme de dynamique est essentiel, car les appareils IoT peuvent varier de microamplis en mode sommeil à des centaines de milliamps pendant les éclatements de transmission.

Les essais environnementaux valident les performances dans la gamme de fonctionnement prévue. Les chambres de température, les tables de vibration et les chambres d'humidité soumettent les prototypes aux conditions qu'ils rencontreront en déploiement.

Conclusion : Assurer un équilibre optimal

La conception de dispositifs IoT qui équilibrent avec succès performance et efficacité de puissance nécessite une approche holistique englobant l'architecture matérielle, l'optimisation logicielle, la gestion de puissance et des considérations spécifiques à l'application. L'évolution rapide des architectures processeurs, en particulier l'émergence de RISC-V et les avancées dans les solutions basées sur ARM, fournit aux concepteurs des outils de plus en plus puissants pour créer des dispositifs de bord efficaces.

L'intégration des capacités d'IA à la pointe représente à la fois un défi et une opportunité. Si l'inférence d'apprentissage automatique exige des ressources informatiques importantes, des accélérateurs matériels spécialisés et des algorithmes optimisés rendent les applications d'IA sophistiquées viables sur des appareils à puissance réduite. La tendance vers l'IA à la limite continuera d'accélérer, car les avantages du traitement local – latence réduite, intimité améliorée et besoins en bande passante réduite – deviennent de plus en plus importants.

Les technologies de récupération d'énergie arrivent à maturité au point où de nombreuses applications IoT peuvent fonctionner indéfiniment sans remplacement de batterie, modifiant fondamentalement l'économie de déploiement et permettant de nouvelles applications. Combinées à l'électronique ultra-faible puissance, la récupération d'énergie permet des dispositifs de bord véritablement autonomes qui peuvent fonctionner pendant des décennies avec un entretien minimal.

La réussite de la conception des appareils IoT dépend en fin de compte de la compréhension profonde des exigences de l'application et de la prise en compte éclairée des contraintes concurrentes.

L'écosystème IoT continue de s'étendre vers la base mondiale installée des appareils connectés à l'IoT, et devrait dépasser 40 milliards d'appareils d'ici 2030, l'importance du calcul de bord à rendement énergétique ne fera que croître. Les concepteurs qui maîtrisent l'art et la science de l'équilibre des performances et de l'efficacité énergétique seront bien placés pour créer la prochaine génération de dispositifs IoT intelligents et durables qui transforment les industries et améliorent les vies.

Pour plus de détails sur le calcul de bord IoT et la conception des appareils, explorez les ressources de l'organisation IoT Analytics[, la société de recherche RISC-V International[, la documentation Edge Impulse[ plate-forme pour le développement de l'IA de bord, les solutions IoT d'ARM, et le cadre TenessorFlow Lite for Microcontrollers pour déployer l'apprentissage des machines sur des appareils embarqués.