Aspinity是模擬神經(jīng)形態(tài)半導(dǎo)體的先驅(qū)，它創(chuàng)建了可重新配置的模擬模塊化處理器（RAMP）平臺，該平臺是一種超低功耗的模擬處理平臺，可以克服電池供電的，始終開啟的感應(yīng)設(shè)備對消費(fèi)者的功耗和數(shù)據(jù)處理挑戰(zhàn)，智能家居，物聯(lián)網(wǎng)，工業(yè)和其他市場。

作為這項(xiàng)技術(shù)的附帶好處，我相信我們比過去更加了解人腦的功能。

我與Aspinity的首席執(zhí)行官兼創(chuàng)始人Tom Doyle進(jìn)行了交談，他評論說：

“始終在感知”確實(shí)是驅(qū)動力。這不僅僅是將某些東西插入您的房屋。它在故障變成災(zāi)難之前監(jiān)視橋梁。它是可穿戴設(shè)備，您希望“始終知道”，“始終在線”和“始終分析數(shù)據(jù)”以檢測潛在問題的所有內(nèi)容。這正是我們關(guān)注的重點(diǎn)。

我們認(rèn)為大腦在某些方面非常高效。當(dāng)我們觀察聲音以及大腦如何處理聲音的想法時(shí)；當(dāng)我們現(xiàn)在正在說話時(shí)，我聽到外面的聲音，而我們的大腦正在拾起一切。但是我們正在對話中，因此當(dāng)我們專注于對話時(shí)，大腦決定不理會外面的公共汽車或門上的敲門聲。我們想模仿這種能力和效率，以便我們能夠?qū)β曇艋蛘駝拥仁挛镞M(jìn)行“始終在線”感測，并非常有效地做到這一點(diǎn)。

我們有效執(zhí)行此操作的方法是查看事物在大腦中自然完成的方式并模仿該方式。其中的一部分是將內(nèi)容提取到一個級別，在該級別上，我們首先確定是否存在聲音，這對于此特定應(yīng)用程序很重要。也許這是一個警報(bào)系統(tǒng)，其中碎玻璃的聲音對應(yīng)用很重要；我們希望能夠告訴系統(tǒng)我們忽略了聲音和車門敲門聲，但我們檢測到碎玻璃。

系統(tǒng)繼續(xù)進(jìn)行，并從那里繼續(xù)進(jìn)行下一步。

Doyle告訴我他們以模擬方式執(zhí)行此操作（我喜歡！我是模擬工程師）。這是提高效率的關(guān)鍵。他們在自然模擬域的信號鏈中更早地分析數(shù)據(jù)。它們有助于在信號鏈的早期階段做出決策并控制系統(tǒng)。

許多其他系統(tǒng)通過定期查看占空比來向后看，在此期間他們檢查是否發(fā)生了任何事情。他們的做法有所不同；他們總是在開著，總是在感應(yīng)。它們以某種方式進(jìn)行占空比，但是系統(tǒng)僅在信號鏈的早期就關(guān)注一些特別令人感興趣的事物。

Aspinity的主要重點(diǎn)是最大限度地延長便攜式，始終開啟的感應(yīng)設(shè)備的電池壽命。事實(shí)上，Aspinity聲稱他們的系統(tǒng)將以單次充電的方式（例如在電視遙控器中）使用一年。這類耳塞式設(shè)備將全天使用，而不是幾個小時(shí)。

其他應(yīng)用程序也能夠預(yù)測機(jī)器，環(huán)境甚至人類的健康狀況。Aspinity將為用戶帶來一個永遠(yuǎn)聽的設(shè)備，該設(shè)備通過從不存儲或傳輸與特定應(yīng)用程序無關(guān)的聲音來維護(hù)隱私。因此，舉例來說，當(dāng)您說出像“ Alexa”之類的關(guān)鍵字時(shí)，就意味著您并非一直都在傳輸信息。今天的技術(shù)還不存在。為什么這么難？

Doyle說，在過去的幾十年中，我們在電子領(lǐng)域發(fā)生了很多事情，關(guān)鍵的事情之一就是我們已經(jīng)轉(zhuǎn)移到了手持式計(jì)算機(jī)上，并且許多數(shù)據(jù)都進(jìn)入了云并在那里進(jìn)行了處理。在過去的幾年中，我們看到了重新回到“邊緣”的舉動，在這樣做時(shí)，我們進(jìn)行了一些權(quán)衡。我們在云中具有很高的處理能力，現(xiàn)在我們希望將事物轉(zhuǎn)移到可移動的便攜式設(shè)備上，該設(shè)備的功能與云中的功能不同，但不如云中的功能高，但可以在邊緣進(jìn)行某種處理。

在這種情況下，我們要權(quán)衡電池壽命，功能和準(zhǔn)確性等因素。其中的罪魁禍?zhǔn)字皇?，一切都是模擬的，但處理能力卻發(fā)生在數(shù)字領(lǐng)域。僅將所有數(shù)據(jù)轉(zhuǎn)移到數(shù)字上，就要付出巨大的代價(jià)。大多數(shù)情況下，數(shù)據(jù)可能無關(guān)緊要（圖1）。

圖1 數(shù)字化優(yōu)先體系結(jié)構(gòu)的當(dāng)前標(biāo)準(zhǔn)僅對始終在線的體系結(jié)構(gòu)進(jìn)行了逐步改進(jìn)（圖片由Aspinity提供）

Aspinity解決方案將在信號鏈中更早地完成更智能，更高效的工作，并確定我們已經(jīng)檢測到我們認(rèn)為對我們的應(yīng)用很重要的內(nèi)容，然后將其發(fā)送到數(shù)字區(qū)域并處理該信息（圖2）。

圖2 Aspinity采用了“分析優(yōu)先”的系統(tǒng)架構(gòu)，由于要處理和數(shù)字化的數(shù)據(jù)量將遠(yuǎn)遠(yuǎn)少于圖1的常開架構(gòu)，因此可導(dǎo)致系統(tǒng)功耗降低10倍。（圖片由Aspinity提供）

RAMP平臺

Aspinity具有可訓(xùn)練的機(jī)器學(xué)習(xí)（ML）技術(shù)，并且具有用于決策的神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)是在模擬中構(gòu)建的。他們可以處理復(fù)雜的算法，例如語音，碎玻璃和警報(bào)。他們具有分類功能，可以在其中引入原始數(shù)據(jù)并提取重要的功能。這些特征被輸入到模擬神經(jīng)網(wǎng)絡(luò)中進(jìn)行決策。所有這些都是以模擬方式完成的。

Aspinity的一些關(guān)鍵創(chuàng)新使之能夠起作用，它們能夠處理可下載的各種不同的集成復(fù)雜算法，例如以固件和很小的尺寸完成的工作。

用戶不必是模擬專家，因此如果用戶希望像訓(xùn)練DSP一樣訓(xùn)練RAMP，則可以實(shí)際構(gòu)建模型，然后將其下載到RAMP。還有其他編程RAMP的方法，與編程DSP或微控制器非常相似。

語音是RAMP強(qiáng)大功能的一個很好的例子（圖3）。

圖3語音優(yōu)先設(shè)備：RAMP大大提高了效率，從而延長了電池壽命。忽略環(huán)境噪音，只專注于語音。（圖片由Aspinity提供）

現(xiàn)在，家庭中的智能設(shè)備將處理100％的聲音，以免丟失“喚醒詞”。所有的聲音都被數(shù)字化了；甚至是噪音。RAMP關(guān)閉ADC和DSP，直到識別出“喚醒字”或任何語音或振動節(jié)點(diǎn)（如果這對特定的設(shè)計(jì)架構(gòu)很重要）（圖4）。你選。

圖4 RAMP首先進(jìn)行分析，而不是當(dāng)今的數(shù)字化先行架構(gòu)（圖片由Aspinity提供）

可重新配置的模擬塊

RAMP平臺通過為典型的數(shù)字任務(wù)（例如信號分析和壓縮）以及更復(fù)雜的任務(wù)（例如特征提取，事件檢測和分類）配置模擬模塊來支持許多應(yīng)用。

圖5可編程，可擴(kuò)展和靈活的技術(shù)（圖片由Aspinity提供）

RAMP的平臺具有模擬模塊，可以使用專用算法對其進(jìn)行重新編程，以分析來自多種類型傳感器的原始模擬數(shù)據(jù)，例如用于工業(yè)振動監(jiān)測的加速度計(jì)。RAMP可以使用采樣和選擇最重要的數(shù)據(jù)點(diǎn)，將振動數(shù)據(jù)量壓縮100倍，并顯著減少，而無需使用預(yù)測性維護(hù)系統(tǒng)來連續(xù)地對數(shù)千個數(shù)據(jù)點(diǎn)進(jìn)行數(shù)字化以監(jiān)視某些頻譜峰值的變化趨勢。收集和傳輸以進(jìn)行分析的數(shù)據(jù)量。

Aspinity的RAMP系統(tǒng)將大大減少在永遠(yuǎn)在線的應(yīng)用程序中處理的數(shù)據(jù)量。這將是更易于部署，電池供電的無線傳感器系統(tǒng)的關(guān)鍵。

參考

1. 西弗吉尼亞大學(xué)計(jì)算機(jī)科學(xué)與電氣工程系Lane的Br??andon Rumberg和David W. Graham提出了一種用于無線傳感的低功耗現(xiàn)場可編程模擬陣列。
2. RAMP：通過可重新配置的模擬/混合信號平臺加速無線傳感器硬件設(shè)計(jì)，Brandon Rumberg，David W. Graham，Spencer Clites，Brandon M. Kelly，Mir Mohammad Navidi，Alex Dilello，Vinod Kulathumani，Lane計(jì)算機(jī)科學(xué)與電氣系西弗吉尼亞大學(xué)工程系
3. 用于精密模擬電路設(shè)計(jì)的浮柵晶體管：概述，佐治亞理工學(xué)院電氣與計(jì)算機(jī)工程學(xué)院，Venkatesh Srinivasan，David W. Graham和Paul Hasler
4. 神經(jīng)形態(tài)工程學(xué)，維基百科