一款超低功耗音频检测机器学习型芯片横空出世

超低功耗音频检测机器学习型芯片横空出世

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。

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。”

上一个：分频音箱是什么意思？两分频音箱与三分频音箱的区别 下一个：常用监控拾音器音频协议有哪些？