類比是否在機器學習世界佔一席之地?

作者 : Majeed Ahmad,EDN/Planet Analog主編

透過將機器學習工作負載從數位轉移到類比,使其更加接近感測器,工程師能夠瞭解並掌握類比數據的相關性,因而更有效地處理感測器「數據洪流」(data deluge)。在迅速興起中的機器學習世界中,這正是類比得以發揮作用之處...

電子設計產業正快速地發生劇烈變化,這主要是由於感測器的迅速普及以及產生並收集更多資訊的需求。這帶來了更多的感測器,而其中大多數的感測器都變得越來越小也更易於部署,甚至還不帶任何走線。換句話說,這些感測器採用了無線傳輸並且以電池供電。

截至目前,由感測器所收集的大量資料已經在本地數位化並發送至雲端進行處理。然而,隨著資料量和感測器數量持續增加,工程師勢必得考慮到各種與感測器數據相關的能源方面。有許多應用始終處於感測狀態,因而必須經常更換電池。例如,當有人說話或出現破壞安全的行為(如玻璃碎裂或機器出現故障)應用。

總部位於美國匹茲堡的新創公司Aspinity是在西維吉尼亞大學(West Virginia University)進行的神經形態運算計劃下成立的,該公司聲稱針對解決電池供電裝置的挑戰開發了解決方案。Aspinity共同創辦人兼執行長Tom Doyle在接受《Planet Analog》訪談時,解釋了這個基於推論的解決方案如何採用類比訊號處理的細節。

成立於2015年的類比神經形態半導體業者Aspinity提供可搭配類比機器學習(ML)模型與韌體共同使用的晶片與軟體。Doyle說:「我們也針對某些應用進行類比壓縮。這一切都是為了易於整合到現有晶片中,讓演算法更加節能。」 Aspinity的晶片合作夥伴包括英飛凌(Infineon Technologies)和意法半導體(STMicroelectronics)。

圖1:比較‘Digitize-First’和‘Analyze-First’架構,突顯以數位和類比為導向的不同感測器資料處理間之差異。(圖片來源:Aspinity)

英飛凌在2020年完成收購賽普拉斯半導體(Cypress Semiconductor)並取得其微控制器(MCU)業務,加上本身在感測器領域也非常強大,目前正與Aspinity就這兩方面建立合作夥伴關係。Doyle說:「我們致力於開發感測器,以便儘早並以低功耗導入資料中。而當存在有價值的資料時,即可讓PSoC MCU喚醒並進一步處理,以便能將相關資訊傳送到雲端。」

STMicroelectronics也提供低功耗MCU,但對於以電池供電的裝置來說,它們的功耗還不夠低。Doyle說:「所以,我們在MCU的前端就讓它知道相關資料的存在。這就是我們如何將技術整合至現有晶片以實現新產品的方式。」

對此,Aspinity的技術讓MCU和類比數位轉換器(ADC)保持睡眠模式,直到出現可用的相關資料。例如,當有喚醒詞觸發或警報響起時。重點在於注意這些事情是偶爾發生的,它們也可能永遠不會發生。因此,Doyle補充道,為什麼一定要套用目前將所有資料數位化的典範呢?

類比機器學習解決方案

Aspinity推論解決方案的基礎技術——可重配置類比模組化處理器(RAMP)——是一種受神經啟發的處理平台。例如,Aspinity可以建構一種連接麥克風聲音以執行推論的演算法。接著,建構ML階段並將其轉換至類比神經網路(NN)階段。這將做出決定並喚醒系統,它將會判定是不是語音;有沒有玻璃破裂;以及機器是否存在振動問題等等。

為了推動ML功能和繁重的工作負載,Aspinity的解決方案著眼於類比域並確定它能為推論和決策做些什麼。當您著眼於神經網路時,它就是一系列乘法累加函數。在這方面,正如Doyle所指出的,神經網路是非線性類比的主要例子。它可能會有很多不同的方式。因此,運算可以在具有特定IP和專有技術的類比電路中完成。Doyle說:「乘法累加可以使用簡單的類比電晶體來實現,而不一定是閘極。」

圖2:使用類比記憶體內運算(In-memory computing;IMC)進行推論(上圖)需要兼具類比和數位處理,而類比ML核心中的推論(下圖)僅使用類比處理。(圖片來源:Aspinity)

透過將ML工作負載從數位轉移到類比,並使其更加接近感測器,工程師能夠更有效地處理感測器「數據洪流」(data deluge)。他們可以使用固態電子將ML工作負載轉移到盡可能最早的案例,以瞭解數據是否相關。換句話說,他們可以將工作負載移動到盡可能靠近感測器的位置,並挑選相關的類比數據。在迅速興起中的機器學習世界中,這正是類比得以發揮作用之處。

Aspinity的技術透過IP 保護,正將ML工作負載從數位域轉移至類比域。 Doyle說:「這樣做效率更高,因為感測器數據本質上是類比的。如果我們能挑戰『取得數據並將其數位化』的概念以查看數據並確定其是否相關,那麼就可以節省大量能源。」

Aspinity致力在於訊號鏈中更早地移動ML工作負載,加上在類比領域執行此操作在本質上更具低功耗優勢。它還移除了下游不必要的元件。透過在類比域中進行推論,而使得這一切成為可能。因此,沒錯,類比在快速發展中的機器學習設計領域佔有一席之地。

編譯:Susan Hong

(參考原文:Does analog have a place in the machine learning world?,by Majeed Ahmad)

加入LINE@,最新消息一手掌握!

發表評論