Aspinity是模擬神經形態半導體的先驅，它創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，始終開啟的感應設備對消費者的功耗和數據處理挑戰，智能家居，物聯網，工業和其他市場。

作為這項技術的附帶好處，我相信我們比過去更加了解人腦的功能。

我與Aspinity的首席執行官兼創始人Tom Doyle進行了交談，他評論說：

“始終在感知”確實是驅動力。這不僅僅是將某些東西插入您的房屋。它在故障變成災難之前監視橋梁。它是可穿戴設備，您希望“始終知道”，“始終在線”和“始終分析數據”以檢測潛在問題的所有內容。這正是我們關注的重點。

我們認為大腦在某些方面非常高效。當我們觀察聲音以及大腦如何處理聲音的想法時；當我們現在正在說話時，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，因此當我們專注于對話時，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，以便我們能夠對聲音或振動等事物進行“始終在線”感測，并非常有效地做到這一點。

我們有效執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，這對于此特定應用程序很重要。也許這是一個警報系統，其中碎玻璃的聲音對應用很重要；我們希望能夠告訴系統我們忽略了聲音和車門敲門聲，但我們檢測到碎玻璃。

系統繼續進行，并從那里繼續進行下一步。

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

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

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

其他應用程序也能夠預測機器，環境甚至人類的健康狀況。Aspinity將為用戶帶來一個永遠聽的設備，該設備通過從不存儲或傳輸與特定應用程序無關的聲音來維護隱私。因此，舉例來說，當您說出像“ Alexa”之類的關鍵字時，就意味著您并非一直都在傳輸信息。今天的技術還不存在。為什么這么難？

Doyle說，在過去的幾十年中，我們在電子領域發生了很多事情，關鍵的事情之一就是我們已經轉移到了手持式計算機上，并且許多數據都進入了云并在那里進行了處理。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，我們進行了一些權衡。我們在云中具有很高的處理能力，現在我們希望將事物轉移到可移動的便攜式設備上，該設備的功能與云中的功能不同，但不如云中的功能高，但可以在邊緣進行某種處理。

在這種情況下，我們要權衡電池壽命，功能和準確性等因素。其中的罪魁禍首之一是，一切都是模擬的，但處理能力卻發生在數字領域。僅將所有數據轉移到數字上，就要付出巨大的代價。大多數情況下，數據可能無關緊要（圖1）。

圖1 數字化優先體系結構的當前標準僅對始終在線的體系結構進行了逐步改進（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，并確定我們已經檢測到我們認為對我們的應用很重要的內容，然后將其發送到數字區域并處理該信息（圖2）。

圖2 Aspinity采用了“分析優先”的系統架構，由于要處理和數字化的數據量將遠遠少于圖1的常開架構，因此可導致系統功耗降低10倍。（圖片由Aspinity提供）

RAMP平臺

Aspinity具有可訓練的機器學習（ML）技術，并且具有用于決策的神經網絡。該神經網絡體系結構是在模擬中構建的。他們可以處理復雜的算法，例如語音，碎玻璃和警報。他們具有分類功能，可以在其中引入原始數據并提取重要的功能。這些特征被輸入到模擬神經網絡中進行決策。所有這些都是以模擬方式完成的。

Aspinity的一些關鍵創新使之能夠起作用，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練DSP一樣訓練RAMP，則可以實際構建模型，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強大功能的一個很好的例子（圖3）。

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

現在，家庭中的智能設備將處理100％的聲音，以免丟失“喚醒詞”。所有的聲音都被數字化了；甚至是噪音。RAMP關閉ADC和DSP，直到識別出“喚醒字”或任何語音或振動節點（如果這對特定的設計架構很重要）（圖4）。你選。

圖4 RAMP首先進行分析，而不是當今的數字化先行架構（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字任務（例如信號分析和壓縮）以及更復雜的任務（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用。

圖5可編程，可擴展和靈活的技術（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行重新編程，以分析來自多種類型傳感器的原始模擬數據，例如用于工業振動監測的加速度計。RAMP可以使用采樣和選擇最重要的數據點，將振動數據量壓縮100倍，并顯著減少，而無需使用預測性維護系統來連續地對數千個數據點進行數字化以監視某些頻譜峰值的變化趨勢。收集和傳輸以進行分析的數據量。

Aspinity的RAMP系統將大大減少在永遠在線的應用程序中處理的數據量。這將是更易于部署，電池供電的無線傳感器系統的關鍵。

參考

1. 西弗吉尼亞大學計算機科學與電氣工程系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計，Brandon Rumberg，David W. Graham，Spencer Clites，Brandon M. Kelly，Mir Mohammad Navidi，Alex Dilello，Vinod Kulathumani，Lane計算機科學與電氣系西弗吉尼亞大學工程系
3. 用于精密模擬電路設計的浮柵晶體管：概述，佐治亞理工學院電氣與計算機工程學院，Venkatesh Srinivasan，David W. Graham和Paul Hasler
4. 神經形態工程學，維基百科