广告

音频芯片助力机器学习从数字域转向模拟域

时间:2022-05-07 09:25:15 作者:Majeed Ahmad 阅读:
数字技术已在信号处理领域占据主导地位。然而,越来越大的数据处理量中,大部分都是无用信息,从而造成巨大的资源浪费。本文介绍一种音频芯片,通过可配置的模拟内核构建信号链,在模拟域即可完成机器学习,仅对占比很小的有用数据进行处理。节省了95%的资源。
广告

来自宾夕法尼亚州匹兹堡的新创企业Aspinity声称,世界上第一个模拟的机器学习芯片已经问世,它对源自西弗吉尼亚大学研究的一种始终在线的技术进行了商业化。AML100处理原生模拟数据并对数据进行分析,同时消耗接近零的功率进行推理和检测事件。

图1:AML100具有连接传感器、系统唤醒触发器和其他外部组件的模拟和数字接口。图片资料来源:Aspinity

该芯片能够判断数据的相关性,在需要时才运行数字内核。这里值得注意的是,当前的系统在分析已经数字化的数据时会浪费能耗。因为超过80%的数字化数据通常是无关的。“我们认为,在边缘数字领域,得到数字化和处理的数据中有80%是不必要的,大部分都是浪费的,”Aspinity公司的联合创始人兼首席执行官TomDoyle表示,“实际上浪费的是处理这些无用数据所需的能量。”

Aspinity的新芯片AML100能够在数据数字化之前以模拟方式完成机器学习和其他计算,使机器学习更接近数据源。AML100通过执行机器学习算法来判断某个声音是玻璃破碎的声音还是其他声音。

正如Doyle所指出的那样,为了只是判断不是玻璃破碎的声音,如今的设计工程师必须先将所有自然的模拟声音百分之百数字化,然后在数字域中查看并分析声音信息,“那是巨大的功耗浪费。”

对于在线常开设备而言,为了检测玻璃破裂等事件,目前的系统需要监控房间里的所有声音,处理100%的数据。它们等待一个事件,比如打破窗户,这是非常罕见的,但当它发生时,却不能错过它。“对于始终在线的设计而言,这是一个关键的过程”,Doyle指出。

他补充说,在监视声音的数字架构中,人们会以全部带宽盲目地处理所有数据,但有可能运行多年,却没有任何事件发生。在处理声学数据时,模数转换器(ADC)以16位分辨率不间断运行,ADC和数字处理器的工作电流从3mA到5mA不等。根据Doyle的说法,这还是非常理想的情况。

Aspinity将AML100芯片插入上述系统中,运行某种特定模型,在上例中运行玻璃破裂检测的模型,同时关闭ADC和数字处理器。因此,它们可以进入睡眠模式而不消耗能量。这就是AML100能够将始终在线的电流消耗保持在100µA以下的原因,从而促进系统级功耗有了惊人的改进。

“我们正在将机器学习从数字领域转移到模拟领域,因此我们可以通过局部推理来做出决定,”Doyle表示,“这将有助于在系统级将不间断工作的功耗节省95%。”他还指出,虽然数字内核可以提高元件级的功耗性能,但忽视了增加隐藏的ADC功耗和其他浪费系统功耗的地方。

模拟机器学习芯片工作原理

AML100模拟机器学习芯片中,包含一系列通过软件编程的可配置模拟模块(CAB)。换句话说,每个CAB的功能和参数,都可以通过软件进行配置。它使AML100能够为手头的应用创建信号链,并对信号链和信号链中的组件进行参数化。

它是通过将信息放入内核来完成的。做到这一点的关键是公司专有的模拟非易失性存储器,它可以在每个CAB中存储神经网络权重和滤波器带宽等参数。“这就是我们如何通过构建信号链来进行信号处理,以及如何在每个电路中嵌入非易失性存储器,”Doyle表示。

他还补充道,首先对其中一个模块进行参数化,对其中滤波器这样的电路加以偏置来设置中心频率。其次,使用非易失性存储器处理模拟神经网络的权值。第三,我们利用它来处理芯片之间的一些变化。“最终,我们能够使用可配置的模拟内核构建信号链,它可以执行必要的功能,如玻璃破裂检测。”

图2:AML100允许对用于不同应用的硬件进行编程,因此效率可以与数字化处理一样高。

AML100最多支持四个不同的模拟传感器,并且像传感器集中器一样,它可以接收来自多个麦克风或加速度计的输入。“由于我们拥有所有必要的接口,因此很容易集成进模拟传感器系统中,”Doyle指出。同样他还补充道,模拟机器学习芯片很容易集成进当前的数字架构中。

该芯片在做实时检测工作时消耗不到20µA电流,因此能够将模拟数据减少100倍。AML100采用7mmx7mm、48引脚的QFN封装,并附送支持语音检测的评估套件—EVK1和EVK2,支持语音检测,包括播放前管理、玻璃破碎、T3/T4警报音检测和其他声学应用。

支持音频设计中的新层

Doyle向Planet Analog透露,Aspinity公司借助AML100的推出,长期专注于提供最低的一直在线功耗,因此可以为电池供电应用提供许多新产品。“在支持语音的应用中,功耗和数据需并行考虑,”他表示,“如果只处理有用的信息,就可以节省大量功率,同时将电池寿命延长20多倍。”

图3:语音优先设计中的新模拟层将促进更多电池供电产品的开发。

在收集信息的传感器数量不断增长且连网设备数量也不断增加的时代里,Aspinity通过其模拟机器学习芯片,在支持语音的设计域增加了一个新层。它在执行音频数据推理时消耗的功率非常少;只有判断有相关的数据时,才启动后面的数字部分并与云端进行通信。

能够处理原始模拟数据的首款模拟机器学习芯片AML100,旨在解决以音频为中心的边缘设计领域中低效率的问题。看到模拟芯片的推理能力,能够在数字主导的设计领域中找到一席之地,着实让人倍感兴趣。希望该芯片和其他类似芯片,能够借助自身特点,促进更多电池供电的语音优先产品实现商业化。

(参考原文:Audio chip moves machine learning from digital to analog

本文为《电子工程专辑》2022年5月刊杂志文章,版权所有,禁止转载。点击申请免费杂志订

责编:Jimmy.zhang
本文为EET电子工程专辑原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 吉利收购魅族:重点在手机还是汽车? 吉利收购魅族,不仅限于手机,还有未来智能汽车市场,甚至更多的领域,而魅族将成为吉利产业生态圈中的一把利剑。也因此,我们可以想象,如果收购能成功,那么魅族的终局是什么?相信,魅族将会更深入地融入吉利的产业生态圈中。
  • 美国合纵连横、釜底抽薪 再拉“芯片小圈子” 有观点认为,“我们应该充分考量去全球化成本的问题。因为未来的世界可能更有弹性,但也可能更贫穷,更缺乏创新,更分裂,更易发生冲突。”仅从半导体产业角度,目前半导体领域已被美国牢牢掌控,半导体全球化可谓“徒有其表”,且将付出一定的逆全球化代价,比如芯片荒。
  • Gartner调高2022年全球半导体收入预期,缺货涨价仍是主 芯片短缺将继续成为2022年电子设备供应链的担忧之一,并将根据不同的半导体器件类型对主要电子设备市场产生不同的影响。随着生产进入淡季,加上市场半导体供应增加,个人电脑和智能手机领域的大部分半导体短缺情况有所缓解。但是,到2022年底,部分半导体器件将继续在汽车供应链中处于短缺状态。
  • 一边是3nm,一边是折叠屏,各家的悲欢并不相通,有人只觉得 三星3nm官宣量产,良率提升是重大问题,目前良率为30%,后续良率提升将成为3nm工作的重点。国内方面华为折叠屏惊艳亮相,奈何4G成为吐槽重点,众多网友称价格太高实用性和货量较少,CPU没有用自家引发大家广泛争议。
  • 2022年Q1中国智能手机销量下滑超14%,全球萎缩11% 近日各大分析机构均公布了《2022年Q1中国智能手机市场报告》,在疫情等宏观因素影响下,2022年第一季度国内智能手机消费市场热度持续走低。其中以IDC、Counterpoint、CINNO Research和Canalys这四家为例,各家报告对国内智能手机下滑浮动区间在14%-18%之间......
  • 以LTPO技术“破局” 京东方或将向苹果供应LTPO OLED 尽管“果链”光环逐渐消退(苹果就被宁德、比亚迪拒绝),但抛开苹果对供应链极致的管控与压榨,能进入苹果供应商名单,对很多企业来说,还是一件“幸事。”
  • 新款iPad Pro 2021成最受欢迎的 由于采用性能相对强大的M1处理器和mini-LED屏幕以及更多的创新,新款iPad Pro 2021已经成为消费者心目中最受欢迎。然而,iPad 2却已经在全球范围内被列入“复古和过时”的名单中。
  • 三星折叠屏手机Galaxy Z Fold 3 目前来看,折叠屏新机作为一种新的生产力工具,逐渐成为高端/平板的一种趋势,有报料称三星的Galaxy Z Fold 3发布时间或为7月,并且会引入新手势操控。
  • Porotech动态像素调整技术实现Micr 由于我们彻底巅覆 GaN 的半导体材料和结构技术,让我们突破在单位像素上呈现全光谱颜色。同时,PoroGaN微显示平台的光电特性,简化了电子和光电系统设计集成的过程。目前微米纳米级的Micro-LED 和 Mini-LED 显示器在制造所需的多阶段工艺仍然具有挑战性,凭借 Porotech 的多孔氮化镓 (GaN) 技术和架构平台,可以大幅简化现有质量转移(Mass Transfer)或拾取和放置(Pick-and-Place)等Micro-LED制程。
  • 豪威集团在AutoSens展会上首次推出 OAX4600可实现无缝隙的驾驶员/乘员监控系统功能和灵活的汽车设计,在较小的封装内集成低功耗的RGB-IR ISP和两个NPU 
广告
热门推荐
广告
广告
广告
EE直播间
在线研讨会
广告
广告
广告
向右滑动:上一篇 向左滑动:下一篇 我知道了