Edge AI Donanım Tasarımı: Komponent ve PCB Seçimi

Yapay zeka modelleri artık yalnızca veri merkezlerinde çalışmıyor. Akıllı kameralarda, endüstriyel sensörlerde, mobil robotlarda ve medikal cihazlarda, yani doğrudan sahada çalışıyor. Bu yaklaşıma Edge AI, Türkçesiyle uç yapay zeka deniyor. Edge AI donanım tasarımı, klasik gömülü sistem tasarımından üç noktada ayrılır: işlemci seçimi çalıştırılacak modelle birlikte yapılır, kart çok daha yüksek anlık akım ve ısıyla başa çıkmak zorundadır ve BOM listesindeki en kritik parçalar tedarik riski en yüksek komponentlerdir.

Bu rehberde bir Edge AI projesini prototipten seri üretime taşırken verilmesi gereken donanım kararlarını sırasıyla ele alıyoruz: işlemci ve NPU seçimi, bellek mimarisi, PCB katman yapısı, termal yönetim, güç tasarımı, EMC, dizgi ve komponent tedariği.

Yapay zekanın PCB tasarım araçlarını nasıl değiştirdiğini merak ediyorsanız yapay zeka ile PCB tasarımı ve 2026 trendleri yazımıza göz atabilirsiniz. Bu yazı ise yapay zekayı çalıştıran cihazın donanımına odaklanıyor.

Edge AI Nedir ve Donanımı Neden Farklıdır?

Edge AI, bir yapay zeka modelinin çıkarım (inference) adımının buluta veri göndermeden, verinin üretildiği cihaz üzerinde yapılmasıdır. Bir kamera görüntüyü sunucuya yollamak yerine nesneyi kendisi tanır; bir motor sensörü titreşim verisini kendisi analiz eder ve arızayı gerçekleşmeden önce bildirir.

Bu yaklaşımın sahadaki avantajları nettir:

• Düşük gecikme: Karar milisaniyeler içinde, ağ gecikmesi olmadan verilir.
• Bant genişliği tasarrufu: Ham video yerine yalnızca sonuç (ör. "kişi tespit edildi") iletilir.
• Gizlilik ve veri güvenliği: Görüntü veya ses verisi cihazdan çıkmaz.
• Bağlantıdan bağımsız çalışma: Maden, tarla, depo veya araç içi gibi bağlantının zayıf olduğu ortamlarda sistem çalışmaya devam eder.

Donanım açısından farkı yaratan şey iş yükünün doğasıdır. Sinir ağı çıkarımı büyük ölçüde matris çarpımından oluşur ve bu işlem hem yoğun hesaplama hem de yüksek bellek bant genişliği ister. Genel amaçlı bir işlemci bu işi yapabilir, ancak verimsiz yapar. Bu nedenle Edge AI donanımlarının merkezinde çoğu zaman bir NPU (Neural Processing Unit), yani sinir ağı işlemlerine özel hızlandırıcı bulunur. NPU; birim enerji başına çok daha fazla çarpma-toplama işlemi yaparak aynı modeli daha az güçle ve daha hızlı çalıştırır.

Edge AI İşlemci Seçimi: MCU, MPU ve Harici Hızlandırıcı

Edge AI işlemci seçimi, projenin maliyetini, güç bütçesini, PCB karmaşıklığını ve tedarik riskini aynı anda belirleyen karardır. Pratikte dört yaklaşım öne çıkar.

NPU'lu mikrodenetleyiciler (MCU)

Pil ile çalışan, düşük maliyetli ve anlık yanıt gerektiren cihazlar için entegre NPU'lu mikrodenetleyiciler idealdir. Sesli komut algılama, titreşim tabanlı arıza tahmini, basit görüntü sınıflandırma ve sensör füzyonu bu sınıfın tipik uygulamalarıdır.

• STMicroelectronics STM32N6: Cortex-M55 çekirdeği ve ST'nin Neural-ART hızlandırıcısını bir araya getirir. Dahili RAM ve MIPI CSI-2 kamera arayüzü sayesinde düşük çözünürlüklü görüntü işleme projelerinde Linux'a gerek kalmadan çalışabilir.
• NXP MCX N serisi: eIQ Neutron NPU içeren mikrodenetleyicilerle endüstriyel ve IoT uygulamalarına yönelir.
• Texas Instruments TMS320F28P55x: C2000 ailesinde entegre NPU bulunan, özellikle ark hatası tespiti ve motor kontrolünde gerçek zamanlı çıkarım için geliştirilmiş bir seridir.

Bu sınıfta dikkat edilmesi gereken nokta, model boyutunun dahili belleğe sığıp sığmadığıdır. Sığmıyorsa harici PSRAM veya HyperRAM gerekir ve bu da hem BOM'u hem PCB tasarımını değiştirir.

Linux çalıştıran MPU ve SoM çözümleri

Yüksek çözünürlüklü kamera, birden fazla video akışı, ekran arayüzü veya ağ geçidi işlevi gerekiyorsa Linux tabanlı bir MPU (mikroişlemci) doğru tercihtir.

• NXP i.MX 8M Plus: 2,3 TOPS NPU, dahili ISP ve endüstriyel ürün ömrü seçenekleriyle akıllı kamera ve makine görüşü projelerinde yaygındır.
• NXP i.MX 93: Arm Ethos-U65 microNPU ile daha düşük güçte hafif çıkarım ve Linux'u birlikte sunar.
• TI AM62A: Görüntü işleme hattı ve derin öğrenme hızlandırıcısıyla sürücü izleme ve akıllı kamera uygulamalarını hedefler.
• NVIDIA Jetson Orin Nano: Çok kameralı görüntü işleme, robotik ve daha büyük modeller için modül (SoM) formunda gelir; güç tüketimi ve ısı bütçesi MCU sınıfının çok üzerindedir.

Bu sınıfta verilmesi gereken en önemli karar, hazır SoM kullanmak mı yoksa işlemciyi doğrudan karta yerleştirmek mi (chip-down tasarım) sorusudur. Bu konuyu aşağıda ayrıca ele alıyoruz.

Harici AI hızlandırıcılar

Mevcut bir ürüne yapay zeka yeteneği eklemek veya ana işlemciyi değiştirmeden performansı artırmak için PCIe ya da M.2 arayüzlü harici hızlandırıcılar kullanılır. Hailo-8 gibi hızlandırıcılar, düşük güç tüketimiyle ana işlemcinin yükünü alır. Bu mimaride ana işlemci veri toplama ve iletişimi, hızlandırıcı ise çıkarımı üstlenir. Karşılığında kartta yüksek hızlı bir PCIe hattı ve ek güç bütçesi planlanmalıdır.

RISC-V tabanlı çözümler

RISC-V, lisans maliyeti olmayan ve özelleştirilebilir bir komut seti mimarisidir. Espressif ESP32-P4, çift çekirdekli RISC-V işlemcisi ve yapay zeka iş yüklerini hızlandıran vektör komutlarıyla dikkat çeker. Ancak ESP32-P4'te ayrı bir NPU bulunmaz ve kablosuz bağlantı için yanına ikinci bir çip gerekir. Canaan K230 gibi entegre hızlandırıcılı RISC-V çipleri de pazarda yer alıyor. RISC-V ekosistemi hızla olgunlaşıyor; ancak seçim yapmadan önce derleyici, model dönüştürme araçları ve uzun vadeli üretici desteği mutlaka değerlendirilmelidir.

Edge AI platformları karşılaştırma tablosu

Tablodaki değerler üreticilerin yayımladığı tepe değerlerdir ve ürün varyantına göre değişir. Tasarıma başlamadan önce güncel veri sayfası (datasheet) ile doğrulanmalıdır.

TOPS değeri neden tek başına yanıltıcıdır?

Edge AI işlemci seçiminde en sık yapılan hata, yalnızca TOPS (saniyede trilyon işlem) değerine bakmaktır. Bu değer bir tepe performansıdır ve gerçek projede nadiren elde edilir. Seçim yaparken şu sorular sorulmalıdır:

1. Değer hangi veri tipinde verilmiş? INT8 ile INT4 veya "sparse" (seyrek) hesaplamayla verilen değerler birbirine doğrudan kıyaslanamaz.
2. NPU modelinizdeki tüm katmanları destekliyor mu? Desteklenmeyen bir katman ana işlemciye (CPU) düşer ve tüm hattı yavaşlatır.
3. Bellek bant genişliği yeterli mi? Birçok model hesaplama gücüyle değil, bellekten veri çekme hızıyla sınırlanır.
4. Watt başına verim nedir? Pil ile çalışan veya fansız kapalı kutuya giren bir cihazda TOPS/W değeri, TOPS değerinden daha belirleyicidir.

En güvenilir yöntem, kendi modelinizi (veya ona yakın bir modeli) üreticinin geliştirme kartında çalıştırıp saniyedeki çıkarım sayısını ve gerçek güç tüketimini ölçmektir.

Yazılım ekosistemi de bir donanım kararıdır

Aynı TOPS değerine sahip iki işlemciden birinin model dönüştürme araçları olgun değilse, proje aylarca gecikebilir. ST Edge AI Suite, NXP eIQ, NVIDIA JetPack ve TensorRT, TI Edge AI araçları, Espressif ESP-DL ve TensorFlow Lite Micro (LiteRT) gibi araç zincirlerinin modelinizi destekleyip desteklemediği, donanım seçiminden önce test edilmelidir.

Bellek Mimarisi ve Model Boyutu

Edge AI donanım tasarımında bellek, çoğu zaman işlemciden daha fazla sorun çıkarır. Modelin bellekte kaplayacağı alanı kabaca hesaplamak için parametre sayısını, parametre başına bayt değeriyle çarpmak yeterlidir. Örneğin yaklaşık 3,5 milyon parametreli bir görüntü sınıflandırma modeli 32 bit kayan noktada 14 MB yer tutarken, INT8 nicemleme (quantization) ile yaklaşık 3,5 MB'a iner. Bu fark, modelin dahili SRAM'e sığıp sığmayacağını ve dolayısıyla harici bellek gerekip gerekmediğini belirler.

Bellek seçenekleri üç seviyede düşünülebilir:

• Dahili SRAM: En hızlı ve en düşük güç tüketen seçenektir; ancak kapasite birkaç megabaytla sınırlıdır.
• Harici PSRAM veya HyperRAM (xSPI/OSPI): MCU tabanlı tasarımlarda kapasiteyi artırır; PCB tarafında makul bir karmaşıklık getirir.
• LPDDR4/LPDDR4X/LPDDR5: MPU ve SoM tabanlı sistemlerde gigabayt seviyesinde kapasite ve yüksek bant genişliği sağlar; ancak PCB yönlendirmesi en zor kısımdır.

Model ağırlıkları kalıcı olarak OSPI NOR flash veya eMMC üzerinde saklanır. Açılış süresi kritikse, ağırlıkların flash'tan RAM'e yüklenme süresi de hesaba katılmalıdır.

Bellek, Edge AI projelerinde fiyatı ve termin süresi en hızlı değişen komponent grubudur. Bu nedenle bellek seçimi yapılırken aynı kapasite ve pin yapısına sahip en az bir alternatif üretici de belirlenmelidir.

Edge AI PCB Tasarımı: Katman Yapısı ve Sinyal Bütünlüğü

Edge AI PCB tasarımı, yüksek pin sayılı BGA paketler, hızlı bellek hatları ve kamera arayüzleri nedeniyle çoğu zaman yüksek yoğunluklu (HDI) bir kart gerektirir.

Katman yapısı (stackup) ve HDI

0,5 mm veya 0,4 mm adımlı (pitch) BGA paketlerde tüm pinleri geleneksel delikli vialarla dışarı çıkarmak çoğu zaman mümkün değildir. Bu durumda mikrovia, gömülü via (buried via) ve pad içi via (via-in-pad) teknikleri devreye girer. HDI tasarım kuralları için IPC-2226 standardı temel referanstır.

Tipik bir MPU tabanlı Edge AI kartı 6 ile 10 katman arasında tasarlanır. Burada önemli olan katman sayısından çok, her yüksek hızlı sinyal katmanının kesintisiz bir referans düzlemine (toprak veya güç) komşu olmasıdır. Katman yapısını tasarımın en başında PCB üreticisiyle birlikte belirlemek, hedef empedansların gerçekten üretilebilir olmasını sağlar. Gerber hazırlığı, katman yapısı ve üretim toleransları için PCB üretim aşamaları rehberimize göz atabilirsiniz.

LPDDR bellek yönlendirmesi

LPDDR hatlarında sinyal bütünlüğü üç temel kurala dayanır:

• Empedans kontrolü: Hat genişliği ve dielektrik kalınlığı, işlemci üreticisinin tasarım kılavuzundaki hedef empedansa göre hesaplanır.
• Yol boyu eşitleme (length matching): Aynı byte grubundaki veri hatları, ilgili strobe (DQS) sinyaline göre belirli bir tolerans içinde eşitlenir. Adres ve komut hatları da saat sinyaline göre eşitlenir.
• Referans düzlem sürekliliği: Yüksek hızlı bir hattın altındaki düzlemde bölünme (split) olmamalıdır; aksi hâlde dönüş akımı yolu uzar, gürültü ve yayılım artar.

İşlemci üreticilerinin yayımladığı donanım tasarım kılavuzları ve referans kart dosyaları bu noktada en değerli kaynaktır. İlk tasarımda referans yerleşime mümkün olduğunca sadık kalmak, sonradan yaşanacak kararlılık sorunlarının önüne geçer.

MIPI CSI-2, PCIe ve USB hatları

Kamera, hızlandırıcı ve harici bağlantı arayüzleri diferansiyel çift olarak yönlendirilir. Her arayüzün kendi hedef diferansiyel empedansı vardır (örneğin MIPI D-PHY ve Ethernet için 100 Ω, USB için 90 Ω, PCIe için genellikle 85 Ω). Çift içi uzunluk farkı (intra-pair skew) en aza indirilmeli, konnektör geçişleri ve via sayısı sınırlı tutulmalıdır.

Kalın bakır (heavy copper) ve HDI birlikte kullanılabilir mi?

Termal yönetim için sık önerilen 2 oz veya 3 oz kalın bakır, güç elektroniği kartlarında faydalıdır. Ancak ince hat ve dar aralık gerektiren HDI sinyal katmanlarında kalın bakır, empedans kontrolünü ve hat hassasiyetini zorlaştırır. Edge AI kartlarında daha doğru yaklaşım; sinyal katmanlarını standart kalınlıkta tutmak, ısıyı geniş iç toprak ve güç düzlemleri, termal vialar ve soğutucu ile yaymaktır. Kalın bakır gerekiyorsa yalnızca güç katmanlarında ve üreticiyle birlikte değerlendirilerek kullanılmalıdır.

PCB Termal Yönetim: Thermal Throttling'i Önlemek

Termal tasarım, Edge AI donanım tasarımı sürecinde en sık ertelenen ama en pahalıya patlayan başlıktır. Yoğun matris işlemi yapan bir NPU veya GPU, geleneksel bir mikrodenetleyiciye göre çok daha fazla ısı üretir. PCB termal yönetim yetersiz kalırsa işlemci kendini korumak için frekansını düşürür (thermal throttling). Laboratuvarda saniyede 30 kare işleyen bir kamera, sahada kapalı bir kutu içinde yaz güneşi altında 12 kareye düşebilir.

Isı bütçesini tasarımın başında hesaplayın

Temel hesap basittir: Jonksiyon sıcaklığı = ortam sıcaklığı + (güç tüketimi × termal direnç). Örneğin 50 °C ortam sıcaklığında çalışan, 5 W tüketen ve jonksiyondan ortama termal direnci 12 °C/W olan bir işlemcinin jonksiyon sıcaklığı yaklaşık 110 °C olur. Bu değer işlemcinin izin verilen üst sınırına yakınsa, kart veya soğutma çözümü değişmelidir. Termal direnç değeri kartın bakır alanına, katman sayısına ve soğutucuya göre değiştiği için veri sayfasındaki değer yalnızca başlangıç noktasıdır.

QFN'de exposed pad, BGA'da termal toplar

Isının PCB'ye aktarılma şekli paket tipine göre değişir:

• QFN ve benzeri paketler: Paketin altındaki açık metal ped (exposed pad), ısının ana çıkış yoludur. Bu pedin altına düzenli aralıklarla termal via yerleştirilir ve ısı iç toprak düzlemlerine aktarılır.
• BGA paketler: BGA işlemcilerde exposed pad yerine, genellikle paketin ortasında toprak ve güce bağlı termal toplar bulunur. Isı bu toplar üzerinden karta geçer. Bu bölgedeki vialar pad içine yerleştirilecekse doldurulmuş ve kapatılmış olmalıdır (IPC-4761 Tip VII). Aksi hâlde lehim viadan aşağı akar ve lehim bağlantısında boşluk (void) oluşur.

Bakır düzlemler, soğutucu ve termal arayüz malzemesi

Geniş ve kesintisiz iç bakır düzlemler ısıyı kart yüzeyine yayar. Yüksek güçlü işlemcilerde bu yeterli olmaz ve paketin üstüne bir soğutucu (heatsink) yerleştirilir. Soğutucu ile paket arasına, ısı iletkenlik değeri (W/mK) uygun seçilmiş bir termal ped veya macun konur.

Burada sık gözden kaçan bir risk vardır: Soğutucunun sıkma basıncı BGA lehim toplarına mekanik yük bindirir. Titreşimli ortamlarda bu yük, zamanla lehim çatlaklarına yol açabilir. Soğutucu montajı, kartın mekanik tasarımıyla birlikte ve üreticinin önerdiği basınç değerleri dikkate alınarak planlanmalıdır.

Termal doğrulama testi

Prototip aşamasında kart, en ağır model sürekli çalışırken termal kamera ile izlenmeli ve işlemcinin sıcaklık kayıtları okunmalıdır. Test, ürünün sahada göreceği en yüksek ortam sıcaklığında ve gerçek kasasının içinde yapılmalıdır. Açık masada yapılan termal test, kapalı kutudaki gerçeği yansıtmaz.

Güç Tasarımı: PMIC, PDN ve Ani Akım Yükleri

Edge AI işlemcileri, model çıkarım yapmaya başladığı anda mikrosaniyeler içinde yüksek akım çeker. Güç dağıtım ağı (PDN) bu ani yük değişimine yetişemezse çekirdek geriliminde çökme (voltage droop) oluşur. Sonuç; rastgele hatalar, kilitlenmeler veya sistemin yeniden başlamasıdır.

Üreticinin önerdiği PMIC'i kullanın

MPU sınıfındaki işlemciler birden fazla besleme hattına ve belirli bir açılış-kapanış sıralamasına (power sequencing) ihtiyaç duyar. Bu nedenle işlemci üreticisinin önerdiği veya birlikte doğruladığı güç yönetim entegresi (PMIC) kullanmak en düşük riskli yoldur. Örneğin NXP, i.MX 8M ailesi için PCA9450 PMIC'ini önerir. Farklı bir PMIC seçmek mümkündür, ancak sıralama, gerilim toleransları ve ani yük yanıtı ayrıca doğrulanmalıdır.

Hedef empedansı hesaplayın

PDN tasarımında temel kavram hedef empedanstır: Hedef empedans = (besleme gerilimi × izin verilen dalgalanma oranı) / ani akım değişimi. Örneğin 0,8 V çekirdek gerilimi, %3 izin verilen dalgalanma ve 5 A ani akım değişimi için hedef empedans yaklaşık 4,8 mΩ'dur. Güç ağının empedansı, ilgili frekans aralığı boyunca bu değerin altında kalmalıdır.

Dekuplaj kondansatörü stratejisi

• Kademeli kapasite: Toplu (bulk) kondansatörler düşük frekanstaki yük değişimlerini, orta değerli MLCC'ler orta frekansı, küçük değerli MLCC'ler ise yüksek frekanslı gürültüyü karşılar.
• Yerleşim: Yüksek frekans kondansatörleri, BGA'nın tam altında kartın arka yüzüne ve güç pinlerinin vialarına en yakın noktaya yerleştirilir. Mesafe arttıkça parazitik endüktans artar ve kondansatör etkisini kaybeder.
• DC bias etkisi: X5R ve X7R seramik kondansatörlerin gerçek kapasitesi, üzerine uygulanan gerilim arttıkça belirgin şekilde düşer. Etiket değeri yerine üreticinin DC bias eğrisine göre seçim yapılmalıdır.

Güç girişi ve koruma

Endüstriyel sahada çalışacak cihazlarda 12 V veya 24 V girişte ters polarite koruması, TVS diyot ile aşırı gerilim koruması ve giriş filtresi mutlaka bulunmalıdır. Güç girişindeki bir koruma eksikliği, kartın en pahalı parçası olan işlemciyi ilk sahada kaybetmeye neden olabilir.

EMC, EMI ve Sertifikasyon

Yüksek frekanslı saat sinyalleri, bellek hatları ve anahtarlamalı güç dönüştürücüleri, Edge AI kartlarını elektromanyetik gürültü açısından zorlu hâle getirir.

• Kalkan (shielding can): İşlemci, bellek ve RF bölgelerinin üzerine metal kalkan yerleştirmek yayılımı azaltır. Kalkanın lehimleneceği çerçeve ve toprak bağlantıları PCB tasarımında baştan planlanmalıdır.
• Toprak düzlemi bütünlüğü: Bölünmüş toprak düzlemleri, EMC sorunlarının en yaygın nedenidir.
• Saat sinyalleri: Mümkün olan yerlerde yayılı spektrum saat (spread spectrum) kullanmak, tepe yayılım değerlerini düşürür.
• Sertifikasyon: Avrupa pazarı için CE işareti kapsamında yayılım ve bağışıklık testleri (ör. EN 55032 ve EN 55035) gerekir. Kablosuz modül içeren cihazlar ayrıca telsiz ekipmanı direktifi (RED) kapsamına girer.

Ön uygunluk (pre-compliance) testlerini prototip aşamasında yapmak, sertifikasyon laboratuvarında kart revizyonu yapmak zorunda kalmaktan çok daha ucuzdur.

DFM, DFA ve BGA Dizgi Süreci

Kâğıt üzerinde kusursuz bir tasarım, üretilebilir değilse sahada başarısız olur. Üretilebilirlik (DFM) ve montaja uygunluk (DFA) kontrolleri, Edge AI gibi yüksek yoğunluklu kartlarda özellikle kritiktir.

• Yüzey kaplama: İnce adımlı BGA'lar için düz yüzey sağlayan ENIG kaplama tercih edilir. Engebeli yüzey, bazı topların lehimlenmemesine yol açabilir.
• Stencil tasarımı: Aynı kartta ince adımlı BGA ile büyük güç komponentleri bulunuyorsa, farklı kalınlık bölgelerine sahip kademeli stencil (step stencil) gerekebilir.
• Nem hassasiyeti (MSL): BGA paketler nem çeker ve reflow sırasında içten çatlayabilir. Paketlerin açık kalma süresi takip edilmeli, gerekirse J-STD-033'e göre kurutma (baking) yapılmalıdır.
• X-ray kontrol: BGA lehim bağlantıları gözle görülemez. Köprü, eksik lehim ve boşluk kontrolü için X-ray muayenesi gerekir. Boşluk kabul kriterleri için IPC-7095 ve IPC-A-610 referans alınır.
• Underfill: Titreşim veya darbe gören cihazlarda (araç içi, robotik) BGA altına underfill uygulamak lehim ömrünü uzatır; ancak tamir (rework) imkânını büyük ölçüde ortadan kaldırır.
• Test erişimi: Test noktaları ve JTAG/boundary scan erişimi tasarımda unutulursa, montaj sonrası hata tespiti çok zorlaşır.

SMT, THT, BGA montaj ve test süreçlerinin detayları için Ankara PCB dizgi ve montaj rehberimize göz atabilirsiniz.

Hazır SoM mi, chip-down tasarım mı?

Bu karar hem PCB hem tedarik stratejisini belirler:

• Hazır SoM: İşlemci, bellek ve PMIC modül üzerinde hazır gelir. Taşıyıcı kart (carrier board) daha az katmanlı ve daha basit olur, LPDDR yönlendirme riski ortadan kalkar ve ürün pazara daha hızlı çıkar. Düşük ve orta hacimli projeler için genellikle en doğru seçimdir.
• Chip-down tasarım: İşlemci ve bellek doğrudan ana karta yerleştirilir. Birim maliyet ve kart boyutu düşer; ancak tasarım, doğrulama ve dizgi riski belirgin şekilde artar. Yüksek hacimli ve olgun ürünlerde anlam kazanır.

Birçok ekip için akıllıca olan yol, ilk ürünü SoM ile piyasaya çıkarmak ve hacim oluştuğunda chip-down tasarıma geçmektir.

Edge AI Projelerinde Elektronik Komponent Tedariği

Edge AI projelerinde kullanılan işlemciler, bellekler ve güç yönetim entegreleri, küresel pazarda bulunabilirliği ve fiyatı en hızlı değişen parçalar arasındadır. Bu yüzden Edge AI donanım tasarımında BOM listesi, tasarım tamamlandıktan sonra değil, işlemci seçildiği anda tedarik açısından değerlendirilmelidir.

Ürün ömrü ve EOL kontrolü

Endüstriyel bir ürün 7 ila 10 yıl, bazen daha uzun süre üretilir. Seçilen işlemcinin bu süre boyunca üretileceğinden emin olmak için üreticilerin yayımladığı ürün ömrü (longevity) programları kontrol edilmelidir. ST ve NXP gibi üreticiler, seçili ürün aileleri için belirli yıllık üretim taahhütleri yayımlar. Komponentin yaşam döngüsü durumu (aktif, yeni tasarımlar için önerilmez, üretimden kalkıyor) ve üretici değişiklik bildirimleri (PCN) düzenli olarak takip edilmelidir.

Muadil (second source) stratejisi

Pasif komponentler, gerilim regülatörleri ve bazı güç entegreleri için pin uyumlu alternatifler tasarım aşamasında belirlenmeli ve PCB footprint'i buna göre hazırlanmalıdır. Ana işlemci ve NPU için ise genellikle muadil yoktur. Bu parçalarda risk; SoM kullanımı, emniyet stoğu, çerçeve sipariş anlaşmaları veya son alım (last time buy) planlamasıyla yönetilir. Kriz dönemlerinde uygulanabilecek tedarik stratejileri için elektronik komponent tedariğinde kriz yönetimi yazımıza göz atabilirsiniz.

Sahte komponent riski

Pazarda zor bulunan yapay zeka işlemcileri ve bellekler, sahte veya yenilenmiş (refurbished) ürün riskinin en yüksek olduğu komponentlerdir. Sahte bir işlemci ilk testte çalışabilir, ancak sahada yüksek sıcaklıkta erken arıza verebilir. Sahte komponent riskini azaltmak için:

• Parçaları yetkili distribütörlerden veya izlenebilirlik belgesi sunan tedarikçilerden temin edin.
• Uygunluk sertifikası (CoC) ve tarih/lot kodu bilgisi isteyin.
• Bağımsız tedarik kanallarından alınan parçalarda SAE AS6081, AS6171 veya IDEA-STD-1010 gibi standartlara dayalı muayene ve test süreçleri uygulanmasını talep edin.

Orijinal parça kullanmanın uzun vadeli etkileri için orijinal komponent seçimi ve sürdürülebilir başarı yazımızı okuyabilirsiniz.

Tedarik ile tasarımı birlikte yürütmek

Tasarım ekibinin seçtiği bir bellek veya PMIC'in teslim süresi 30 hafta ise, bu bilgi şema aşamasında öğrenilmelidir; prototip onaylandıktan sonra değil. Chiptek olarak elektronik komponent tedariği ve mühendislik çözümlerimizle BOM risk analizi, stok ve termin teyidi, muadil araştırması ve dizgi planlamasını aynı süreç içinde yürütüyoruz.

Edge AI Donanım Tasarımı Kontrol Listesi

Tasarımı üretime göndermeden önce şu maddeleri gözden geçirin:

1. Model, hedef işlemcinin geliştirme kartında gerçek veriyle test edildi ve saniyedeki çıkarım sayısı ölçüldü.
2. Modelin tüm katmanlarının NPU tarafından desteklendiği doğrulandı.
3. Model boyutu ve bellek bant genişliği ihtiyacı hesaplandı; bellek tipi buna göre seçildi.
4. SoM veya chip-down kararı hacim ve zaman planına göre verildi.
5. Katman yapısı ve hedef empedanslar PCB üreticisiyle birlikte onaylandı.
6. LPDDR ve diferansiyel hatlar üretici tasarım kılavuzuna göre yönlendirildi.
7. En kötü ortam sıcaklığında ısı bütçesi hesaplandı ve kasa içinde termal test yapıldı.
8. PMIC, açılış sıralaması ve PDN hedef empedansı doğrulandı.
9. EMC ön uygunluk testi yapıldı; kalkan ve toprak yapısı gözden geçirildi.
10. BGA için yüzey kaplama, stencil, MSL ve X-ray kontrol planı hazırlandı.
11. Kritik komponentlerin ürün ömrü, termin süresi ve muadilleri kontrol edildi.
12. Tüm kritik parçalar izlenebilir ve orijinal kaynaklardan temin edildi.

Sık Sorulan Sorular

Edge AI nedir?

Edge AI (uç yapay zeka), yapay zeka modelinin çıkarım adımının bulut sunucusu yerine verinin üretildiği cihazın kendisinde çalıştırılmasıdır. Akıllı kameralar, endüstriyel sensörler ve robotlar tipik uç yapay zeka uygulamalarıdır. Bu yaklaşım gecikmeyi azaltır, bant genişliğinden tasarruf sağlar ve verinin cihazdan çıkmasını engeller.

NPU nedir, GPU'dan farkı nedir?

NPU (Neural Processing Unit), sinir ağı işlemlerine özel olarak tasarlanmış bir hızlandırıcıdır. GPU daha genel amaçlı ve esnektir, ancak aynı işi genellikle daha yüksek güç tüketimiyle yapar. Pil veya düşük güç bütçesiyle çalışan cihazlarda NPU, watt başına çok daha yüksek verim sağlar.

Edge AI için hangi işlemci seçilmeli?

Seçim, modelin boyutuna, gereken çıkarım hızına ve güç bütçesine bağlıdır. Ses, titreşim ve düşük çözünürlüklü görüntü için NPU'lu bir mikrodenetleyici yeterli olabilir. Yüksek çözünürlüklü veya çok kameralı görüntü işleme için Linux tabanlı bir MPU, SoM veya harici hızlandırıcı gerekir.

Edge AI kartı kaç katmanlı olmalıdır?

NPU'lu mikrodenetleyici tabanlı kartlar çoğu zaman 4 ile 6 katmanla tasarlanabilir. LPDDR bellek kullanan MPU tabanlı chip-down kartlar genellikle 6 ile 10 katman ve HDI teknikleri gerektirir. Hazır SoM kullanıldığında taşıyıcı kartın katman sayısı belirgin şekilde azalır.

Edge AI kartında ısınma sorunu nasıl çözülür?

Isı bütçesi tasarımın başında hesaplanmalı, işlemcinin altına uygun termal via yapısı kurulmalı, geniş bakır düzlemler kullanılmalı ve gerekirse soğutucu ile doğru termal arayüz malzemesi eklenmelidir. Doğrulama testi, ürünün gerçek kasası içinde ve en yüksek ortam sıcaklığında yapılmalıdır.

Sonuç: Sahada Güvenilir Edge AI Donanımı

Edge AI yalnızca bir yazılım algoritması değildir. Doğru işlemci seçimi, yeterli bellek, kararlı güç tasarımı, iyi yönetilmiş ısı, üretilebilir bir PCB ve kesintisiz bir tedarik zinciri bir araya gelmeden, laboratuvarda çalışan model sahada güvenilir bir ürüne dönüşmez.

Başarılı bir Edge AI donanım tasarımı; modeli, donanımı, üretimi ve tedariği baştan birlikte planlayan ekiplerin işidir. Kritik parçaların bulunabilirliği ve orijinalliği ise bu zincirin en sık göz ardı edilen halkasıdır.