你将学习:
- 智能设备应该如何设计以提高电力效率。
- 下一代物联网设备的设计考虑。
我们已经越来越习惯在家里出现智能设备，并希望它们变得更加智能，通过先进的音频和视频处理技术以及复杂的传感器来识别和解释声音和动作。但这些通过创新的人工智能(AI)和机器学习算法实现的进步，增加了对设备和其基础芯片的更高功率效率的需求。
在芯片设计领域，考虑功耗并不是什么新鲜事。设计工程师们一直在努力优化能耗目标，而“低功耗”一直是一个长期的咒语，是性能、功率和面积(PPA)圣杯中的三条腿之一。
支持智能设备的现有功能已经是一项艰巨的任务，包括:
- 扬声器的语音控制，利用高度准确的语音识别从广泛的词汇训练的语音命令。
- 可穿戴活动追踪器可以根据陀螺仪、加速计和磁力计等传感器输入的数据，识别人类的活动，如坐、站、走和跑。
- 配备摄像头的智能门铃，可以进行面部识别，并触发警报，并将图像或视频发送到主人的移动设备。
- 甚至自动驾驶汽车，应用先进的计算机视觉技术来检测车辆、行人和危险的驾驶条件。
但当我们考虑到像人工智能这样的应用是如何推动对更大芯片的需求时，这为功率方程带来了新的动力。
降低温度
所有这些智能都是由人工智能的进步驱动的。但由于人工智能对处理性能的要求越来越高，芯片将继续变得更大，使用更多的晶体管和更新颖的架构，如3D堆叠。随着它们处理更多信息的速度加快，芯片性能的一个关键限制将是温度。如此多的晶体管在同一模具上导致高密度，导致结温上升，芯片性能开始下降。
设计师将不得不考虑热失控，因为性能将基本上受到功率的限制。事实上，电子设计自动化(EDA)供应商正在继续致力于提高温度，这是芯片成功运行必须解决的关键目标之一，与熟悉的PPA平衡行为一样。
虽然管理电源和温度的需求对于插电式设备来说至关重要，但对于电池供电的物联网(IoT)设备来说，这更是一个挑战。对于这些设备来说，由于它们的毫瓦功率预算，当涉及到芯片消耗的能量时，就没有犯错或协商的余地。除此之外，随着这些应用的芯片向更小的处理节点(比如7、5或3 nm)转移，并向全门结构转移，泄漏正在减少，但仍然是一个需要管理的关键问题。在较低电压的操作下，设计者将需要更仔细地观察不同晶体管之间的变化以及时序。
提高效率
所有这些都需要一个节能的处理器，以及卓越的循环效率，以便物联网设备的处理器能够在预期的应用程序和用例中完成其工作。低功耗和管理对于具有始终在线功能的物联网边缘设备尤为重要，比如智能音箱、智能手机或具有“始终监听”语音命令功能的家庭娱乐系统。这同样适用于基于摄像头的设备，这些设备可以执行面部检测或手势识别，它们“总是在看”。我们的健康和健身监测设备必须是“始终感应的”。
这类设备通常应用智能技术来动态降低功耗。例如，一个始终监听设备可以采样麦克风信号，并使用简单的声音检测技术来检查是否有人在说话。然后，它应用计算密集型的机器学习推理，仅在检测到语音活动时才识别语音命令。
处理器必须限制每一种不同状态下的功耗——在本例中是语音检测和语音命令识别。因此，必须利用各种电源管理功能，包括有效的睡眠模式和关机模式，以满足能源消耗需求。
那么，工程师如何应对这些挑战呢?
应用电源管理策略
传统上，降低功率的最重要的武器选择是时钟门控，多年来它已经从简单的时钟门控到自门控，再到顺序时钟门控。虽然动态电压伸缩(DVS)提供了一种相当常见的节能技术，但许多设计现在开始转向更高级的自适应电压和频率伸缩(AVFS)方法。
对于低到中等计算需求(消费物联网设备的很大一部分)的机器学习推理，选择合适的处理器是实现所需高效率的关键。具体来说，是否拥有适合神经网络处理的处理器能力可以决定是否能够满足低兆赫的需求(因此，也就是低功耗)。
更强大的神经网络和算法的出现，使得机器学习设备得以进化，这些设备无需明确编程就能学习。然而，机器学习能够实现更大的自动化和智能，特别是在消费设备、edge设备和电池供电设备中，这意味着在PPA中功率的P是至高无上的。
