Aspinity是模拟神经形态半导体的先驱,它创建了可重新配置的模拟模块化处理器(RAMP)平台,该平台是一种超低功耗的模拟处理平台,可以克服电池供电的,始终开启的感应设备对消费者的功耗和数据处理挑战,智能家居,物联网,工业和其他市场。
作为这项技术的附带好处,我相信我们比过去更加了解人脑的功能。
我与Aspinity的首席执行官兼创始人Tom Doyle进行了交谈,他评论说:
“始终在感知”确实是驱动力。这不仅仅是将某些东西插入您的房屋。它在故障变成灾难之前监视桥梁。它是可穿戴设备,您希望“始终知道”,“始终在线”和“始终分析数据”以检测潜在问题的所有内容。这正是我们关注的重点。
我们认为大脑在某些方面非常高效。当我们观察声音以及大脑如何处理声音的想法时;当我们现在正在说话时,我听到外面的声音,而我们的大脑正在拾起一切。但是我们正在对话中,因此当我们专注于对话时,大脑决定不理会外面的公共汽车或门上的敲门声。我们想模仿这种能力和效率,以便我们能够对声音或振动等事物进行“始终在线”感测,并非常有效地做到这一点。
我们有效执行此操作的方法是查看事物在大脑中自然完成的方式并模仿该方式。其中的一部分是将内容提取到一个级别,在该级别上,我们首先确定是否存在声音,这对于此特定应用程序很重要。也许这是一个警报系统,其中碎玻璃的声音对应用很重要;我们希望能够告诉系统我们忽略了声音和车门敲门声,但我们检测到碎玻璃。
系统继续进行,并从那里继续进行下一步。
Doyle告诉我他们以模拟方式执行此操作(我喜欢!我是模拟工程师)。这是提高效率的关键。他们在自然模拟域的信号链中更早地分析数据。它们有助于在信号链的早期阶段做出决策并控制系统。
许多其他系统通过定期查看占空比来向后看,在此期间他们检查是否发生了任何事情。他们的做法有所不同;他们总是在开着,总是在感应。它们以某种方式进行占空比,但是系统仅在信号链的早期就关注一些特别令人感兴趣的事物。
Aspinity的主要重点是最大限度地延长便携式,始终开启的感应设备的电池寿命。事实上,Aspinity声称他们的系统将以单次充电的方式(例如在电视遥控器中)使用一年。这类耳塞式设备将全天使用,而不是几个小时。
其他应用程序也能够预测机器,环境甚至人类的健康状况。Aspinity将为用户带来一个永远听的设备,该设备通过从不存储或传输与特定应用程序无关的声音来维护隐私。因此,举例来说,当您说出像“ Alexa”之类的关键字时,就意味着您并非一直都在传输信息。今天的技术还不存在。为什么这么难?
Doyle说,在过去的几十年中,我们在电子领域发生了很多事情,关键的事情之一就是我们已经转移到了手持式计算机上,并且许多数据都进入了云并在那里进行了处理。在过去的几年中,我们看到了重新回到“边缘”的举动,在这样做时,我们进行了一些权衡。我们在云中具有很高的处理能力,现在我们希望将事物转移到可移动的便携式设备上,该设备的功能与云中的功能不同,但不如云中的功能高,但可以在边缘进行某种处理。
在这种情况下,我们要权衡电池寿命,功能和准确性等因素。其中的罪魁祸首之一是,一切都是模拟的,但处理能力却发生在数字领域。仅将所有数据转移到数字上,就要付出巨大的代价。大多数情况下,数据可能无关紧要(图1)。
图1 数字化优先体系结构的当前标准仅对始终在线的体系结构进行了逐步改进(图片由Aspinity提供)
Aspinity解决方案将在信号链中更早地完成更智能,更高效的工作,并确定我们已经检测到我们认为对我们的应用很重要的内容,然后将其发送到数字区域并处理该信息(图2)。
图2 Aspinity采用了“分析优先”的系统架构,由于要处理和数字化的数据量将远远少于图1的常开架构,因此可导致系统功耗降低10倍。(图片由Aspinity提供)
RAMP平台
Aspinity具有可训练的机器学习(ML)技术,并且具有用于决策的神经网络。该神经网络体系结构是在模拟中构建的。他们可以处理复杂的算法,例如语音,碎玻璃和警报。他们具有分类功能,可以在其中引入原始数据并提取重要的功能。这些特征被输入到模拟神经网络中进行决策。所有这些都是以模拟方式完成的。
Aspinity的一些关键创新使之能够起作用,它们能够处理可下载的各种不同的集成复杂算法,例如以固件和很小的尺寸完成的工作。
用户不必是模拟专家,因此如果用户希望像训练DSP一样训练RAMP,则可以实际构建模型,然后将其下载到RAMP。还有其他编程RAMP的方法,与编程DSP或微控制器非常相似。
语音是RAMP强大功能的一个很好的例子(图3)。
图3语音优先设备:RAMP大大提高了效率,从而延长了电池寿命。忽略环境噪音,只专注于语音。(图片由Aspinity提供)
现在,家庭中的智能设备将处理100%的声音,以免丢失“唤醒词”。所有的声音都被数字化了;甚至是噪音。RAMP关闭ADC和DSP,直到识别出“唤醒字”或任何语音或振动节点(如果这对特定的设计架构很重要)(图4)。你选。
图4 RAMP首先进行分析,而不是当今的数字化先行架构(图片由Aspinity提供)
可重新配置的模拟块
RAMP平台通过为典型的数字任务(例如信号分析和压缩)以及更复杂的任务(例如特征提取,事件检测和分类)配置模拟模块来支持许多应用。
图5可编程,可扩展和灵活的技术(图片由Aspinity提供)
RAMP的平台具有模拟模块,可以使用专用算法对其进行重新编程,以分析来自多种类型传感器的原始模拟数据,例如用于工业振动监测的加速度计。RAMP可以使用采样和选择最重要的数据点,将振动数据量压缩100倍,并显着减少,而无需使用预测性维护系统来连续地对数千个数据点进行数字化以监视某些频谱峰值的变化趋势。收集和传输以进行分析的数据量。
Aspinity的RAMP系统将大大减少在永远在线的应用程序中处理的数据量。这将是更易于部署,电池供电的无线传感器系统的关键。
参考
- 西弗吉尼亚大学计算机科学与电气工程系Lane的Brandon Rumberg和David W. Graham提出了一种用于无线传感的低功耗现场可编程模拟阵列。
- RAMP:通过可重新配置的模拟/混合信号平台加速无线传感器硬件设计,Brandon Rumberg,David W. Graham,Spencer Clites,Brandon M. Kelly,Mir Mohammad Navidi,Alex Dilello,Vinod Kulathumani,Lane计算机科学与电气系西弗吉尼亚大学工程系
- 用于精密模拟电路设计的浮栅晶体管:概述,佐治亚理工学院电气与计算机工程学院,Venkatesh Srinivasan,David W. Graham和Paul Hasler
- 神经形态工程学,维基百科
-
物联网
+关注
关注
2909文章
44613浏览量
373146 -
智能家居
+关注
关注
1928文章
9559浏览量
185057 -
机器学习
+关注
关注
66文章
8415浏览量
132616 -
电视遥控器
+关注
关注
0文章
7浏览量
5538 -
神经形态芯片
+关注
关注
0文章
21浏览量
13878
发布评论请先 登录
相关推荐
评论