浅谈模拟在机器学习领域的重要性

电子

电子设计行业正在发生相当大的变化，这主要是由于传感器的激增以及生成和收集更多信息的需求。这导致拥有更多传感器，并且这些传感器中的大多数都更小且易于部署。而且它们没有电线。换句话说，这些传感器采用无线传输并且由电池供电。

截至目前，传感器收集的大量数据已在本地数字化并发送到云端进行处理。然而，随着数据量和传感器数量的不断增长，工程师势必会考虑与传感器数据相关的能源方面。有许多应用程序始终处于感应状态，这需要经常更换电池。例如，当有人说话或出现安全违规行为（如碎玻璃或机器开始故障）时。

Aspinity 是一家总部位于匹兹堡的新贵，其根源在于西弗吉尼亚大学进行的神经形态计算工作，它声称有一个解决方案旨在解决电池供电设备的这个问题。该公司的联合创始人兼首席执行官 Tom Doyle 最近与Planet Analog进行了交谈，以解释这种采用模拟信号处理的基于推理的解决方案的细节。

Aspinity 是一家半导体公司，提供芯片以及与模拟机器学习（ML）模型和固件一起使用的软件。“在某些情况下，我们还进行模拟压缩，”Doyle 说。“这一切都是为了在现有芯片中轻松集成，让算法更节能。” Aspinity 的硅合作伙伴包括英飞凌和意法半导体。

图 1比较突出了以数字和模拟为中心的传感器数据处理之间的差异。资料来源：Aspinity

英飞凌现在拥有赛普拉斯半导体的微控制器，并且在传感器领域也非常强大，它正在与 Aspinity 在这两个方面建立合作伙伴关系。Doyle 说：“我们与传感器一起工作，以便在很早的时候以低功耗引入数据。” “然后，当有价值的数据存在时，我们让 PSoC 微控制器唤醒并进行进一步处理，以便它们将相关信息传送到云端。”

STMicro 还提供低功耗 MCU，但对于电池供电设备来说，它们的功耗不够低。“所以，我们在 MCU 的前端，让它知道相关数据何时存在，”Doyle 说。“这就是我们如何看待我们的技术集成到现有芯片并支持新产品的方式。”

在这里，Aspinity 的技术允许 MCU 和模数转换器（ADC）保持在睡眠模式，直到相关数据可用。例如，当有唤醒词触发或警报响起时。重要的是要注意这些事情是偶尔发生的，有时它们永远不会发生。因此，Doyle 补充说，为什么要使用当前将所有数据数字化的范例。

模拟机器学习解决方案

Aspinity 推理解决方案中的底层技术——可重构模拟模块化处理器（RAMP） ——是一个受神经启发的处理平台。例如，Aspinity 可以构建一种算法来与麦克风声音交互以执行推理。接下来，构建 ML 阶段并将其转换为模拟神经网络（NN）阶段。这将做出决定并唤醒系统。它将决定是否是演讲；如果有玻璃破裂；以及机器是否存在振动问题。

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可以为推理和决策做些什么。当您查看神经网络时，它是一系列乘法累加函数。在这里，正如 Doyle 所指出的，神经网络是非线性模拟的主要例子。它可以有很多不同的方式。因此，计算可以在具有特定 IP 和专有技术的模拟电路中完成。“乘法累加可以使用简单的模拟晶体管来实现，”Doyle 说。“它不一定是门。”

图 2使用模拟内存计算进行推理（顶部）需要模拟和数字处理，而模拟ML 内核中的推理（底部）仅使用模拟处理。资料来源：Aspinity

通过将 ML 工作负载从数字转移到模拟并使其更靠近传感器，工程师可以更有效地处理传感器数据泛滥。他们可以使用固态电子设备将 ML 工作负载转移到尽可能早的实例，以了解数据何时相关。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。这是模拟在迅速兴起的机器学习世界中发挥作用的场所。

Aspinity 的技术通过 IP 保护，正在将 ML 工作负载从数字域转移到模拟域。“这样做效率更高，因为传感器数据本质上是模拟的，”Doyle 说。“如果我们能够挑战获取数据并将其数字化并查看数据以确定其是否相关的概念，则可以节省大量能源。”

Aspinity 努力在信号链中更早地移动 ML 工作负载，而在模拟领域执行此操作本质上是低功耗的。它还删除了下游组件。通过在模拟域中进行推理，这成为可能。所以，是的，模拟在快速发展的机器学习设计世界中占有一席之地。