電子設計行業正在發生相當大的變化，這主要是由于傳感器的激增以及生成和收集更多信息的需求。這導致擁有更多傳感器，并且這些傳感器中的大多數都更小且易于部署。而且它們沒有電線。換句話說，這些傳感器采用無線傳輸并且由電池供電。

截至目前，傳感器收集的大量數據已在本地數字化并發送到云端進行處理。然而，隨著數據量和傳感器數量的不斷增長，工程師勢必會考慮與傳感器數據相關的能源方面。有許多應用程序始終處于感應狀態，這需要經常更換電池。例如，當有人說話或出現安全違規行為（如碎玻璃或機器開始故障）時。

Aspinity 是一家總部位于匹茲堡的新貴，其根源在于西弗吉尼亞大學進行的神經形態計算工作，它聲稱有一個解決方案旨在解決電池供電設備的這個問題。該公司的聯合創始人兼首席執行官 Tom Doyle 最近與Planet Analog進行了交談，以解釋這種采用模擬信號處理的基于推理的解決方案的細節。

Aspinity 是一家半導體公司，提供芯片以及與模擬機器學習 （ML） 模型和固件一起使用的軟件。“在某些情況下，我們還進行模擬壓縮，”Doyle 說。“這一切都是為了在現有芯片中輕松集成，讓算法更節能。” Aspinity 的硅合作伙伴包括英飛凌和意法半導體。

圖 1比較突出了以數字和模擬為中心的傳感器數據處理之間的差異。資料來源：Aspinity

英飛凌現在擁有賽普拉斯半導體的微控制器，并且在傳感器領域也非常強大，它正在與 Aspinity 在這兩個方面建立合作伙伴關系。Doyle 說：“我們與傳感器一起工作，以便在很早的時候以低功耗引入數據。” “然后，當有價值的數據存在時，我們讓 PSoC 微控制器喚醒并進行進一步處理，以便它們將相關信息傳送到云端。”

STMicro 還提供低功耗 MCU，但對于電池供電設備來說，它們的功耗不夠低。“所以，我們在 MCU 的前端，讓它知道相關數據何時存在，”Doyle 說。“這就是我們如何看待我們的技術集成到現有芯片并支持新產品的方式。”

在這里，Aspinity 的技術允許 MCU 和模數轉換器 （ADC） 保持在睡眠模式，直到相關數據可用。例如，當有喚醒詞觸發或警報響起時。重要的是要注意這些事情是偶爾發生的，有時它們永遠不會發生。因此，Doyle 補充說，為什么要使用當前將所有數據數字化的范例。

模擬機器學習解決方案

Aspinity 推理解決方案中的底層技術——可重構模擬模塊化處理器 （RAMP） ——是一個受神經啟發的處理平臺。例如，Aspinity 可以構建一種算法來與麥克風聲音交互以執行推理。接下來，構建 ML 階段并將其轉換為模擬神經網絡 （NN） 階段。這將做出決定并喚醒系統。它將決定是否是演講；如果有玻璃破裂；以及機器是否存在振動問題。

為了推動 ML 功能和繁重的工作負載，Aspinity 的解決方案著眼于模擬域并確定它可以為推理和決策做些什么。當您查看神經網絡時，它是一系列乘法累加函數。在這里，正如 Doyle 所指出的，神經網絡是非線性模擬的主要例子。它可以有很多不同的方式。因此，計算可以在具有特定 IP 和專有技術的模擬電路中完成。“乘法累加可以使用簡單的模擬晶體管來實現，”Doyle 說。“它不一定是門。”

圖 2使用模擬內存計算進行推理（頂部）需要模擬和數字處理，而模擬ML 內核中的推理（底部）僅使用模擬處理。資料來源：Aspinity

通過將 ML 工作負載從數字轉移到模擬并使其更靠近傳感器，工程師可以更有效地處理傳感器數據泛濫。他們可以使用固態電子設備將 ML 工作負載轉移到盡可能早的實例，以了解數據何時相關。換句話說，他們可以將工作負載移動到盡可能靠近傳感器的位置，并挑選相關的模擬數據。這是模擬在迅速興起的機器學習世界中發揮作用的場所。

Aspinity 的技術通過 IP 保護，正在將 ML 工作負載從數字域轉移到模擬域。“這樣做效率更高，因為傳感器數據本質上是模擬的，”Doyle 說。“如果我們能夠挑戰獲取數據并將其數字化并查看數據以確定其是否相關的概念，則可以節省大量能源。”

Aspinity 努力在信號鏈中更早地移動 ML 工作負載，而在模擬領域執行此操作本質上是低功耗的。它還刪除了下游組件。通過在模擬域中進行推理，這成為可能。所以，是的，模擬在快速發展的機器學習設計世界中占有一席之地。