原標題：通過模擬ML實現(xiàn)前所未有的節(jié)能

　　模擬計算將是確保未來能夠支持ML的必要工具。

　　機器學習 (ML) 的興起催生了一類全新的用例和應用程序。具體而言，邊緣計算和邊緣 ML 增強了傳統(tǒng)設備監(jiān)控、分析和自動化日常任務的能力。

　　盡管取得了這些進步，但仍然存在一個主要挑戰(zhàn)：如何平衡這些設備的高功率需求。 機器學習應用程序 滿足獨立電池供電設備的低功耗要求?對于這些應用，傳統(tǒng)的數(shù)字電子產品不再是最佳選擇。模擬計算已成為在邊緣實現(xiàn)超低功耗ML的明顯選擇。

　　隨著邊緣ML的出現(xiàn)，該行業(yè)已經看到響應環(huán)境中刺激的智能設備的激增。例如，今天的許多家庭都托管了一個虛擬助手，如亞馬遜Alexa或Google Home，在執(zhí)行任務之前監(jiān)聽關鍵字。其他示例包括監(jiān)控框架中運動的安全攝像頭，以及在工業(yè)方面檢測工業(yè)機器性能異常的傳感器。

　　無論具體應用如何，所有這些設備都從根本上依賴于 “始終在線”機器學習，如圖 1 所示。

　　圖 1：傳統(tǒng)的始終在線系統(tǒng)必須對所有數(shù)據(jù)進行數(shù)字化和處理。

　　換句話說，這些設備會持續(xù)監(jiān)視其環(huán)境中的某些外部觸發(fā)器，例如音頻關鍵字或異常事件。一旦檢測到這種刺激，設備就會被觸發(fā)。在智能助手的示例中，設備等待聽到關鍵字，然后將后續(xù)音頻發(fā)送到云端進行處理。

　　關于這個方案，應該注意兩個重要因素。首先，為了使方案正常工作，設備必須始終處于打開狀態(tài)，不斷感知可能隨時(或永遠不會)隨機發(fā)生的外部觸發(fā)的環(huán)境。其次，為了獲得最佳延遲和隱私，必須在邊緣執(zhí)行刺激檢測。

　　其結果是器件功率效率和性能之間的基本權衡。為了檢測刺激，機器必須持續(xù)開啟和 執(zhí)行機器學習計算 以確定感興趣的事件是否已發(fā)生。由于其中許多設備在相對高功率的數(shù)字片上系統(tǒng) (SoC) 上運行相關的 ML 算法，因此它們只需等待觸發(fā)事件即可消耗大部分功率。

　　面向 ML 的模擬計算

　　在這些挑戰(zhàn)中，模擬計算最近以低功耗ML為目的而重新興起。

　　與通過符號計算(1和0)執(zhí)行算術運算的數(shù)字計算相反，模擬計算依賴于精確的電壓和電流值。出于多種原因，模擬計算特別適合 ML 應用。

　　一個主要原因是，幾乎所有 ML 應用程序都從分析原始形式的數(shù)據(jù)(最初是模擬數(shù)據(jù))開始的。由于大多數(shù)傳感器的輸出是模擬信號，因此模擬計算之所以有意義，因為它能夠以數(shù)據(jù)的原始格式進行計算，從而節(jié)省功耗和時間，從而消除了 ML 工作流程中昂貴的模數(shù)轉換需求。

　　而且，計算要求 機器學習算法 與模擬計算機的功能很好地保持一致。例如，ML 中最基本的任務之一是乘法累加 (MAC) 函數(shù)。您 可以 通過 對 進出 節(jié)點 的 電流 求和， 輕松 實現(xiàn) 模擬 電路 中的 MAC 功能。事實上，MAC功能需要許多晶體管來實現(xiàn)數(shù)字實現(xiàn)，而只需使用幾個晶體管就可以更有效地在模擬中完成。

　　最后，與數(shù)字計算相比，應用能夠以明顯更低的功耗執(zhí)行模擬MAC功能和其他模擬計算。

　　模擬機器學習解決方案

　　目前市場上很少有模擬計算解決方案。然而，在可用的解決方案中，Aspinity的解決方案尤其獨特。

　　無脊椎性產生 模擬機器學習芯片 旨在以原始格式檢測和分類傳感器驅動的事件。如圖2所示，該芯片由不同的級組成，包括模擬輸入/輸出(I/O)、傳感器接口、信號分解和多層神經網絡。

　　圖 2：Aspinity 模擬 ML 芯片的框圖。(來源：阿斯皮尼蒂)

　　每個級都由可配置的模擬模塊(CAB)組成，這些模擬模塊是特定于功能的模擬模塊，用戶可以通過軟件根據(jù)其特定需求進行編程和配置。

　　在這些模塊中是Aspinity專有的模擬非易失性存儲器(NVM)。NVM 存儲偏差和權重等值，并允許系統(tǒng)微調 CAB，以考慮由固有現(xiàn)象(如不匹配和溫度)引起的可變性。使用 NVM，您可以確保每個模擬電路按預期運行，并且彼此完全相同。

　　用戶可以利用這些工具根據(jù)其應用需求定制解決方案，支持各種輸入傳感器類型和數(shù)字 I/O 兼容性。

　　模擬電源效率

　　由于高度可靠和高性能模擬計算的出現(xiàn)，對于始終在線的ML，存在一種很有前途的電源效率解決方案。

　　系統(tǒng)可以利用模擬計算來執(zhí)行智能設備所需的始終在線的 ML 處理，如圖 3 所示。

　　圖 3：使用模擬計算，可以顯著降低始終在線的 ML 系統(tǒng)功耗。

　　在這種架構中，Aspinity的模擬ML芯片可以位于傳感器和數(shù)字電子設備之間。這里，上游 模擬芯片 將持續(xù)對原始傳感器數(shù)據(jù)執(zhí)行必要的ML計算，并在檢測到觸發(fā)器時喚醒必要的下游數(shù)字電子設備。

　　這種設置的主要好處是前所未有的節(jié)能。與高耗電的數(shù)字電子設備始終處于打開狀態(tài)的傳統(tǒng)架構相反，該解決方案允許關閉數(shù)字電子設備，除非需要它們。

　　同時，模擬處理器以~20 μA的極小功耗執(zhí)行始終在線的事件檢測。因此，最初消耗約7450 μA的系統(tǒng)現(xiàn)在可以消耗低至70 μA或更低，具體取決于應用。

　　為了進一步量化這一優(yōu)勢，內部測試表明，與傳統(tǒng)方案相比，語音檢測等常見應用在增加模擬計算后，能效可提高92×倍。其他應用，如玻璃破碎檢測，已證明節(jié)能高達105×。

　　面向未來邊緣的模擬

　　隨著邊緣 ML 成為我們技術世界中越來越重要的一部分，對電源效率的需求從未如此之大。在所有可用的解決方案中，模擬計算(經證明可將功耗降低幾個數(shù)量級)具有推動該領域發(fā)展的獨特優(yōu)勢。

　　為了確保一個可以支持ML的未來，我們已經習慣了一種可行和可持續(xù)的方式，在這里 模擬計算 將是一個必要的工具。