隨著消費、生物醫(yī)學和 IoT/IIoT 市場中始終監(jiān)聽設備的爆炸式增長，似乎每個人都在嘗試使用模擬來節(jié)省設計中的功耗。借助使用“模擬內(nèi)存計算”來降低處理器功率的新型機器學習 （ML） 數(shù)字芯片，半導體供應商正在發(fā)明新方法來利用模擬計算的固有功率和計算效率。那么，有什么問題呢？事實是，盡管這些芯片利用模擬電路的固有優(yōu)勢來節(jié)省芯片內(nèi)用于神經(jīng)網(wǎng)絡處理的功率，但它們最終是在數(shù)字域中對數(shù)字數(shù)據(jù)進行操作的數(shù)字處理芯片——這意味著它們只為系統(tǒng)提供有限的節(jié)能。幸運的是，模擬ML ） 內(nèi)核——現(xiàn)在可以在系統(tǒng)級實現(xiàn)更高的功率效率。

雖然模擬內(nèi)存計算和模擬ML 有時都被標記為“模擬計算”，但它們絕不是一回事。設計人員需要了解模擬內(nèi)存計算和模擬ML 內(nèi)核之間的差異，以便他們能夠創(chuàng)建更節(jié)能的終端設備？

內(nèi)存模擬計算的芯片級效率

模擬內(nèi)存計算通常是指在其他數(shù)字機器學習處理器的神經(jīng)網(wǎng)絡中使用模擬電路，以便以較低的功率執(zhí)行乘法累加 （MAC） 功能。但是利用這種方法的芯片仍然是在標準數(shù)字處理范式內(nèi)運行的時鐘處理器，需要立即對所有模擬傳感器數(shù)據(jù)進行數(shù)字化，無論是否相關。事實上，使用模擬內(nèi)存計算的芯片實際上需要三個單獨的數(shù)據(jù)轉(zhuǎn)換才能確定數(shù)據(jù)的重要性。傳感器數(shù)據(jù)立即轉(zhuǎn)換為數(shù)字進行初始處理（數(shù)字化優(yōu)先架構），然后將它們轉(zhuǎn)換為芯片內(nèi)的模擬數(shù)據(jù)以實現(xiàn) MAC 功能，最后，它們在芯片內(nèi)被轉(zhuǎn)換回數(shù)字，以進行推理、分類和其他功能所需的額外數(shù)字處理。因此，大量的數(shù)據(jù)轉(zhuǎn)換，但沒有太多的實際模擬處理。

雖然模擬內(nèi)存計算可能會降低單個推理芯片的功率，但它僅以非常有限的方式使用模擬，因此它只能為整個系統(tǒng)提供同樣有限的功率降低。

AnalogML 的系統(tǒng)級效率

相比之下，analogML 內(nèi)核完全在模擬域內(nèi)運行，不需要時鐘，并且在對任何數(shù)據(jù)進行數(shù)字化之前使用原始模擬傳感器數(shù)據(jù)進行推理和分類。集成到始終監(jiān)聽的設備中，analogML 內(nèi)核在花費任何精力進行單個數(shù)據(jù)轉(zhuǎn)換之前確定數(shù)據(jù)的重要性。我們稱其為“先分析”，因為analogML 核心保持數(shù)字系統(tǒng)關閉，除非檢測到相關數(shù)據(jù)。

與包含模擬內(nèi)存計算的 ML 芯片相比，analogML 內(nèi)核處理模擬傳感器數(shù)據(jù)的更簡化方法對系統(tǒng)級效率產(chǎn)生重大影響。（見圖 1。）

圖 1：使用具有模擬內(nèi)存計算的 ML 芯片的數(shù)字化優(yōu)先系統(tǒng)架構（頂部模塊）與使用模擬ML 內(nèi)核的分析優(yōu)先系統(tǒng)架構（底部模塊）的比較

例如，在典型的語音優(yōu)先系統(tǒng)中，analogML 內(nèi)核 100% 的時間都處于開啟狀態(tài)，在始終偵聽模式下消耗低至 10μA 的電流以確定哪些數(shù)據(jù)是重要的（分析優(yōu)先架構），然后再消耗任何功率關于數(shù)字化。這會使系統(tǒng)的其余部分保持休眠狀態(tài)，直到檢測到相關數(shù)據(jù)。與在數(shù)字域中 100% 的時間（數(shù)字化優(yōu)先架構）運行并消耗高達 3000-4000μA 的更傳統(tǒng)的 ML 芯片相比，使用模擬ML 的分析優(yōu)先方法可將電池壽命延長多達 10 倍。這就是持續(xù)數(shù)天而不是數(shù)小時的智能耳塞與一次充電即可持續(xù)數(shù)年而不是數(shù)月的聲控電視遙控器之間的區(qū)別。

AnalogML Core 中有什么？

深入analogML 核心的底層揭示了模擬內(nèi)存計算（模擬計算僅用于神經(jīng)網(wǎng)絡）與analogML 核心（由多個軟件控制的模擬處理塊組成，我們可以啟用、重新配置）之間的區(qū)別，并針對各種分析優(yōu)先應用程序進行調(diào)整。這些模塊——可以在需要時獨立供電——實現(xiàn)了一系列功能。（見圖 2）。

圖 2：analogML 內(nèi)核的框圖

傳感器接口——可以為特定傳感器類型（麥克風、加速度計等）合成接口電路

模擬特征提取——從原始的模擬傳感器數(shù)據(jù)中挑選出顯著特征，大大減少進入神經(jīng)網(wǎng)絡的數(shù)據(jù)量

模擬神經(jīng)網(wǎng)絡——高效、小尺寸、可編程模擬推理模塊

模擬數(shù)據(jù)壓縮——模擬傳感器數(shù)據(jù)的連續(xù)收集和壓縮支持低功耗數(shù)據(jù)緩沖

模擬范式轉(zhuǎn)變

AnalogML 遠遠超出了在整個 ML 芯片計算的一小部分中使用一點點模擬計算來節(jié)省功耗。這是一個完整的模擬前端解決方案，它使用接近零的功率來確定信號鏈中最早點的數(shù)據(jù)的重要性——而數(shù)據(jù)仍然是模擬的——以最大限度地減少通過系統(tǒng)運行的數(shù)據(jù)量和數(shù)字系統(tǒng) （ADC/MCU/DSP） 開啟的時間量。在某些應用中，例如玻璃破碎檢測，事件可能每十年發(fā)生一次（或從不發(fā)生），使用模擬ML 內(nèi)核使數(shù)字系統(tǒng)在 99% 以上的時間內(nèi)保持關閉可以將電池壽命延長數(shù)年。這開辟了新類別的持久遠程應用程序，如果所有相關或不相關的數(shù)據(jù)在處理之前都被數(shù)字化，這些應用程序?qū)o法實現(xiàn)。

底線是所有模擬計算都不相等。無論芯片中包含多少模擬處理來降低其功耗，除非該芯片在模擬域中運行，在模擬數(shù)據(jù)上，它并沒有做我們所知道的最能節(jié)省系統(tǒng)功耗的一件事——減少數(shù)字處理數(shù)據(jù)。

審核編輯：郭婷