广告

模拟是否在机器学习世界占一席之地?

2022-01-12 Majeed Ahmad,EDN/Planet Analog主编 阅读:
透过将机器学习工作负载从数字转移到模拟,使其更加接近传感器,工程师能够了解并掌握模拟数据的相关性,因而更有效地处理传感器「数据洪流」(data deluge)。在迅速兴起中的机器学习世界中,这正是模拟得以发挥作用之处...

电子设计产业正快速地发生剧烈变化,这主要是由于传感器的迅速普及以及产生并收集更多信息的需求。这带来了更多的传感器,而其中大多数的传感器都变得越来越小也更易于部署,甚至还不带任何走线。换句话说,这些传感器采用了无线传输并且以电池供电。uq9ednc

截至目前,由传感器所收集的大量资料已经在本地数字化并发送至云端进行处理。然而,随着数据量和传感器数量持续增加,工程师势必得考虑到各种与传感器数据相关的能源方面。有许多应用始终处于感测状态,因而必须经常更换电池。例如,当有人说话或出现破坏安全的行为(如玻璃碎裂或机器出现故障)应用。uq9ednc

uq9ednc

总部位于美国匹兹堡的新创公司Aspinity是在西弗吉尼亚大学(West Virginia University)进行的神经形态运算计划下成立的,该公司声称针对解决电池供电装置的挑战开发了解决方案。Aspinity共同创办人兼执行长Tom Doyle在接受《Planet Analog》访谈时,解释了这个基于推论的解决方案如何采用模拟讯号处理的细节。uq9ednc

成立于2015年的模拟神经形态半导体业者Aspinity提供可搭配模拟机器学习(ML)模型与韧体共同使用的芯片与软件。Doyle说:“我们也针对某些应用进行模拟压缩。这一切都是为了易于整合到现有芯片中,让算法更加节能。” Aspinity的芯片合作伙伴包括英飞凌(Infineon Technologies)和意法半导体(STMicroelectronics)。uq9ednc

 uq9ednc

uq9ednc

图1:比较‘Digitize-First’和‘Analyze-First’架构,突显以数字和模拟为导向的不同传感器数据处理间之差异。(图片来源:Aspinity)uq9ednc

英飞凌在2020年完成收购赛普拉斯半导体(Cypress Semiconductor)并取得其微控制器(MCU)业务,加上本身在传感器领域也非常强大,目前正与Aspinity就这两方面建立合作伙伴关系。Doyle说:“我们致力于开发传感器,以便尽早并以低功耗导入数据中。而当存在有价值的数据时,即可让PSoC MCU唤醒并进一步处理,以便能将相关信息传送到云端。”uq9ednc

STMicroelectronics也提供低功耗MCU,但对于以电池供电的装置来说,它们的功耗还不够低。Doyle说:“所以,我们在MCU的前端就让它知道相关数据的存在。这就是我们如何将技术整合至现有芯片以实现新产品的方式。”uq9ednc

对此,Aspinity的技术让MCU和模拟数字转换器(ADC)保持睡眠模式,直到出现可用的相关资料。例如,当有唤醒词触发或警报响起时。重点在于注意这些事情是偶尔发生的,它们也可能永远不会发生。因此,Doyle补充道,为什么一定要套用目前将所有资料数字化的典范呢?uq9ednc

模拟机器学习解决方案

Aspinity推论解决方案的基础技术——可重配置模拟模块化处理器(RAMP)——是一种受神经启发的处理平台。例如,Aspinity可以建构一种连接麦克风声音以执行推论的算法。接着,建构ML阶段并将其转换至模拟神经网络(NN)阶段。这将做出决定并唤醒系统,它将会判定是不是语音;有没有玻璃破裂;以及机器是否存在振动问题等等。uq9ednc

为了推动ML功能和繁重的工作负载,Aspinity的解决方案着眼于模拟域并确定它能为推论和决策做些什么。当您着眼于神经网络时,它就是一系列乘法累加函数。在这方面,正如Doyle所指出的,神经网络是非线性模拟的主要例子。它可能会有很多不同的方式。因此,运算可以在具有特定IP和专有技术的模拟电路中完成。Doyle说:“乘法累加可以使用简单的模拟晶体管来实现,而不一定是闸极。”uq9ednc

uq9ednc

图2:使用模拟内存内运算(In-memory computing;IMC)进行推论(上图)需要兼具模拟和数字处理,而模拟ML核心中的推论(下图)仅使用模拟处理。(图片来源:Aspinity)uq9ednc

透过将ML工作负载从数字转移到模拟,并使其更加接近传感器,工程师能够更有效地处理传感器“数据洪流”(data deluge)。他们可以使用固态电子将ML工作负载转移到尽可能最早的案例,以了解数据是否相关。换句话说,他们可以将工作负载移动到尽可能靠近传感器的位置,并挑选相关的模拟数据。在迅速兴起中的机器学习世界中,这正是模拟得以发挥作用之处。uq9ednc

Aspinity的技术透过IP 保护,正将ML工作负载从数字域转移至模拟域。 Doyle说:“这样做效率更高,因为传感器数据本质上是模拟的。如果我们能挑战『取得数据并将其数字化』的概念以查看数据并确定其是否相关,那么就可以节省大量能源。”uq9ednc

Aspinity致力在于讯号链中更早地移动ML工作负载,加上在模拟领域执行此操作在本质上更具低功耗优势。它还移除了下游不必要的组件。透过在模拟域中进行推论,而使得这一切成为可能。因此,没错,模拟在快速发展中的机器学习设计领域占有一席之地。uq9ednc

(参考原文:Does analog have a place in the machine learning world?,编译:Susan Hong)uq9ednc

责编:Demi
本文为EDN电子技术设计 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 微信扫一扫
    一键转发
  • 最前沿的电子设计资讯
    请关注“电子技术设计微信公众号”
广告
热门推荐
广告
广告
EE直播间
在线研讨会
广告
广告
面包芯语
广告
向右滑动:上一篇 向左滑动:下一篇 我知道了