你将学习:
- 数以亿计的智能设备依靠传感器数据来收集情报。
- 大多数智能设备使用“数字化优先”模式，将所有传感器数据立即数字化，将数据发送到大功率数字处理器。
- “数字化优先”浪费电力处理大部分不相关的数据。
- 一种新的替代模型，“分析优先”，使用一个analogML芯片在模拟中执行机器学习。
- AnalogML是一种系统级方法，可以在智能设备中节省多达10倍的电池寿命。
数以亿计的智能设备不断地感知环境中的数据——语音指令、玻璃破碎的声音或工厂地面上泵轴承的振动频率。传统上，这些设备依赖于传感器数据的即时数字化来确定数据是否重要。然而，这导致了处理大部分不相关信息的浪费，这大大降低了终端设备的电池寿命。
要想提高这些设备的电池寿命，就需要采用一种当今许多工程师认为既过时又令人生畏的技术:模拟技术。这是因为处理来自真实世界的原始的、非结构化的模拟信号——即触觉、视觉、听觉和振动——是很困难的。
自从第一个数字集成电路的引入以来，比起直接处理所感知的模拟数据，创建具有熟悉的1或0处理传感器信号的产品要简单得多。这就是为什么总是开机的设备在做几乎其他事情之前，会立即将模拟输入转换成数字信号。
虽然数字技术在过去50年里有效地解决了处理方面的挑战，但摩尔定律终于在物理定律中碰壁了。它正在推动工程师们跳出当前的数字数据处理模式，在设计始终在线系统的效率方面变得更有创造性。
从根本上说，我们需要更加战略性地使用数字技术，只在必要时使用数字芯片进行重处理。这样我们就可以使用模拟芯片来执行第一轮分析，以确定在声音数据仍处于自然模拟状态时，是否存在特定事件(如声音或声学触发器)。
对于支持语音的设备，语音是唯一重要的数据，因为如果没有语音，就永远不会使用关键字。这种系统级的体系结构方法允许数字唤醒词引擎保持在低功耗睡眠模式，直到它的更高功耗、更高分辨率的处理实际上需要进行关键字验证。
分析第一
这种新的、更高效的、级联的数据分析方法是通过模拟机器学习(analogML)实现的。当麦克风数据处于原始模拟状态时，AnalogML芯片可以精确地检测声音触发，如声音、窗户玻璃破碎、烟雾或其他警铃，使用接近于零的电源，将整个系统的电源只集中在重要数据上。
例如，在一个支持语音的电视遥控器中，语音可能只在10%到20%的时间出现，所以系统的大部分时间都处于休眠状态，直到需要唤醒词引擎进行关键字分析。因为数字系统至少有80%的时间是关闭的analyze-first设计人员可以实现系统效率的显著提高——电池寿命提高10倍。
使模拟更容易访问
在这种情况下，模拟技术的节电优势是显而易见的，但如果当今大多数工程师都没有模拟技术的经验，公司该怎么办呢?在Indeed.com上快速搜索(2021年1月7日运行)，发现3579个模拟系统工程职位和20632个数字系统工程职位。虽然这代表了模拟和数字工程经验之间的巨大差异(以及对工作的需求)，但这并不意味着我们需要牺牲模拟设计的所有好处。这只是意味着我们需要确保analogML能够以大家都熟悉的方式使用。
这是我们公司在开发类似的ml芯片时采用的模式。我们将可编程性作为优先级，为流行的用例(如语音和破窗检测)提供算法，这减少了采用障碍，并加快了始终侦听系统的上市时间。analogML开发环境也是为没有模拟专业知识的工程师设计的，允许他们通过他们已经习惯使用的标准编程或培训接口轻松地为定制应用程序构建算法。
AnalogML:新前沿
analogML支持的分析优先范式是设计思维的一个主要进步。我们现在可以从整体上考虑设计节能和数据高效的设备，而不是试图通过分散的部件来节省电力。适合电池供电voice-first和声学事件侦测，类推ml也可以用于工业振动监测以及无数其他始终在线的应用程序。
通过采用一种处理策略，将新的智能水平引入模拟领域，我们为设计数千种新型的节能智能设备铺平了道路，这些设备将电能消耗集中在真正重要的数据上。
引用:
https://www.eejournal.com/article/a-brave-new-world-of-analog-artificial-neural-networks-aanns/
https://www.eetimes.eu/ramping-up-development-of-ultra-low-power-always-on-sensing/
https://www.techbriefs.com/component/content/article/tb/supplements/st/features/articles/36150
