Neural Net Coder wandelt neuronale Netze zuverlässig in verifizierbaren C-Code um und bereitet KI so für den Einsatz in sicherheitskritischen, ressourcenbeschränkten Embedded-Anwendungen vor.
Serienreifer Code
Generieren Sie deterministischen, standardkonformen C-Code aus neuronalen Netzen und wenden Sie Optimierungen für Embedded-Systeme an.
Post-Training-Optimierung
Reduzieren Sie Ressourcenverbrauch und Laufzeit durch Optimierungen des generierten Codes – ganz ohne erneutes Training des neuronalen Netzes.
Integrierte Verifikation
Vergleichen Sie das Verhalten des generierten Codes mit dem des ursprünglichen neuronalen Netzes mit Hilfe von Back-to-Back-Tests.
Vorhersagbarer Ressourcenverbrauch
Schätzen Sie das Laufzeitverhalten und den Speicherbedarf frühzeitig ab.
Was ist Neural Net Coder?
Neural Net Coder generiert C-Code direkt aus trainierten neuronalen Netzen. Dabei wird das ONNX-Dateiformat verwendet, ein gängiger Standard zum Speichern von KI-Modellen. So können neuronale Netze, die in unterschiedlichen Frameworks und Umgebungen (PyTorch, Keras usw.) trainiert wurden, für den Embedded-Einsatz auf verschiedenen Hardwareplattformen genutzt werden. Auf diese Weise bleiben Sie flexibel, unabhängig davon, welche KI-Tools oder Hardware Sie verwenden.
Der generierte Code ist unmittelbar bereit für die Integration in Embedded-Systeme und kann in C- und C++-Projekten verwendet werden. Dadurch wird der Einsatz neuronaler Netze in sicherheitskritischen, ressourcenbeschränkten Anwendungen ermöglicht.
Zudem lässt sich Neural Net Coder in modellbasierte Entwicklungsumgebungen (MBD) wie TargetLink integrieren und in bestehenden codebasierten Workflows einsetzen – von automatisierten Pipelines über Anwendungsprogrammierschnittstellen (APIs) bis hin zur interaktiven Nutzung über grafische Benutzeroberflächen (GUI).
Neural Net Coder ist ab Mitte November 2026 erhältlich.
Jetzt vorbestellen!
Entwickelt für KI in Embedded-Systemen
Eine wichtige Anwendung der Embedded-KI ist die Realisierung virtueller Sensoren, auch Softsensoren genannt. Sie ermöglichen die Schätzung physikalischer Größen, die nur schwer, teuer oder gar nicht direkt messbar sind – etwa Batteriezustand, Reifendruck oder Wellendrehmoment. Durch die Ergänzung oder den Ersatz physischer Hardware durch KI-basierte Software lassen sich Kosten und Komplexität reduzieren sowie prädiktive Funktionen realisieren.
Gleichzeitig muss ihre Implementierung den spezifischen Anforderungen von Embedded-Systemen gerecht werden. Neben funktionaler Sicherheit zählen dazu insbesondere Determinismus, Laufzeit und ein effizienter Umgang mit Speicherressourcen. Neuronale Netze müssen daher auch unter engen Ressourcen- und Echtzeitbedingungen zuverlässig arbeiten.
Neural Net Coder übersetzt neuronale Netze in deterministischen C-Code für Embedded-Systeme und ergänzt die Code-Generierung durch Post-Training-Optimierung sowie durch Verifikation und Ressourcenabschätzung. So lässt sich sicherstellen, dass Modelle auch bei begrenzten Ressourcen korrekt ausgeführt werden. Gleichzeitig können Speicherbedarf, Ausführungsgeschwindigkeit und Modellgenauigkeit gezielt aufeinander abgestimmt werden. Auf diese Weise wird KI kontrolliert, effizient und überprüfbar in Embedded-Systeme integriert.
Key Features
Um das volle Potenzial neuronaler Netze in Embedded-Anwendungen auszuschöpfen, sind robuste, effiziente und benutzerfreundliche Werkzeuge entscheidend. Neural Net Coder andressiert diese Anforderungen und ermöglicht eine nahtlose Code-Generierung für den Einsatz in Embedded-Systemen. Erfahren Sie, wie die zentralen Funktionen dazu beitragen, Ihren Workflow effizienter zu gestalten und Innovationen in sicherheitskritischen Anwendungen gezielt voranzutreiben:
Serienreifer Code
Neural Net Coder übersetzt neuronale Netze aus ONNX in deterministischen C-Code und ermöglicht so eine nahtlose Integration in bestehende Embedded-Toolchains. Der generierte Code lässt sich mit standardisierten Softwaretest- und Analyseverfahren überprüfen.
Er ist MISRA-konform, bietet ein vorhersehbares Laufzeitverhalten und unterstützt statische Speichernutzung sowie kontrollierte Ausführung. Damit erfüllt der Code zentrale Anforderungen sicherheitskritischer Embedded-Anwendungen mit strengen Ressourcenbeschränkungen.
Post-Training-Optimierung
Neural Net Coder unterstützt Optimierungen neuronaler Netze nach dem Training und reduziert so den Ressourcenbedarf auf Embedded-Systemen – ganz ohne erneutes Training. Dabei konzentrieren sich die Optimierungen auf den generierten C-Code und ermöglichen es, trainierte Modelle an die Einschränkungen von Embedded-Zielsystemen anzupassen.
Durch die optionale Reduzierung von Speicherbedarf und Rechenaufwand entsteht ein ausgewogenes Verhältnis zwischen Modellgenauigkeit und Ressourceneffizienz, wobei ein geringer Genauigkeitsverlust möglich ist. Mit Hilfe der integrierten Verifikation kann dies direkt überprüft werden. So lassen sich neuronale Netze gezielt für den Einsatz auf ressourcenbeschränkter Embedded-Hardware vorbereiten.
Integrierte Verifikation
Die integrierte Verifikation vergleicht das funktionale Verhalten des generierten C-Codes mit dem des ursprünglich trainierten neuronalen Netzes. Back-to-Back-Tests zwischen Referenzmodell und generiertem Code schaffen Transparenz und Vertrauen und unterstützen etablierte Workflows wie Model-in-the-Loop (MIL) und Software-in-the-Loop (SIL).
Dieser Ansatz ist insbesondere für sicherheitskritische Anwendungen relevant, in denen neuronale Netze klassische Algorithmen ergänzen oder substituieren. Die integrierte Verifikation orientiert sich an den in ISO/PAS 8800 beschriebenen Arbeitsschritten und trägt damit zur Absicherung von KI in Embedded- und Automotive-Systemen bei. Für Anwendungen im Automobilbereich genügt sie zudem den in ISO 26262 definierten Prozessen der funktionalen Sicherheit.
Vorhersagbarer Ressourcenverbrauch
Neural Net Coder ermöglicht eine frühzeitige Abschätzung von Laufzeitverhalten und Speicherbedarf und adressiert damit zentrale Herausforderungen beim Einsatz neuronaler Netze auf Embedded-Systemen. So lassen sich Integrationsrisiken frühzeitig erkennen und späte Designänderungen aufgrund unerwarteter Ressourcenbeschränkungen vermeiden. Entwicklungsteams können dadurch bereits in frühen Projektphasen fundierte Entscheidungen treffen, Iterationen reduzieren und Entwicklungszyklen gezielt verkürzen.
Integration in TargetLink-Workflows
Neural Net Coder lässt sich über einen vollständig konfigurierten Block nahtlos in TargetLink-basierte Workflows integrieren. Der generierte C-Code kann als Blackbox in TargetLink-Modellen eingebunden werden und ermöglicht die Simulation kompletter Funktionen einschließlich neuronaler Netze. Die integrierte Unterstützung von MIL-, SIL- und PIL-Vergleichen ermöglicht eine direkte Verifikation der Funktionen, die das Netz enthalten soll.
Code als Schlüssel für KI auf ECUs
Erfahren Sie, warum Code-Generierung eine zentrale Voraussetzung für den zuverlässigen Einsatz kleiner neuronaler Netze auf Steuergeräten (Electronic Control Unit, ECU) ist. Sie trägt dazu bei, Sicherheitsanforderungen zu erfüllen und gleichzeitig eine nahtlose Integration in etablierte automotive Toolchains zu möglichen.
Neugierig auf mehr?
Gerne bieten wir Ihnen eine interaktive Session mit unseren Experten für Neural Net Coder an. In diesem Gespräch beantworten wir Ihre Fragen, tauschen technische Erkenntnisse aus und diskutieren Ihren konkreten Anwendungsfall. So erhalten Sie maßgeschneiderte Einblicke, die genau auf Ihre Bedürfnisse abgestimmt sind.
