原标题：通过模拟ML实现前所未有的节能

　　模拟计算将是确保未来能够支持ML的必要工具。

　　机器学习 (ML) 的兴起催生了一类全新的用例和应用程序。具体而言，边缘计算和边缘 ML 增强了传统设备监控、分析和自动化日常任务的能力。

　　尽管取得了这些进步，但仍然存在一个主要挑战：如何平衡这些设备的高功率需求。 机器学习应用程序 满足独立电池供电设备的低功耗要求?对于这些应用，传统的数字电子产品不再是最佳选择。模拟计算已成为在边缘实现超低功耗ML的明显选择。

　　随着边缘ML的出现，该行业已经看到响应环境中刺激的智能设备的激增。例如，今天的许多家庭都托管了一个虚拟助手，如亚马逊Alexa或Google Home，在执行任务之前监听关键字。其他示例包括监控框架中运动的安全摄像头，以及在工业方面检测工业机器性能异常的传感器。

　　无论具体应用如何，所有这些设备都从根本上依赖于 “始终在线”机器学习，如图 1 所示。

　　图 1：传统的始终在线系统必须对所有数据进行数字化和处理。

　　换句话说，这些设备会持续监视其环境中的某些外部触发器，例如音频关键字或异常事件。一旦检测到这种刺激，设备就会被触发。在智能助手的示例中，设备等待听到关键字，然后将后续音频发送到云端进行处理。

　　关于这个方案，应该注意两个重要因素。首先，为了使方案正常工作，设备必须始终处于打开状态，不断感知可能随时(或永远不会)随机发生的外部触发的环境。其次，为了获得最佳延迟和隐私，必须在边缘执行刺激检测。

　　其结果是器件功率效率和性能之间的基本权衡。为了检测刺激，机器必须持续开启和 执行机器学习计算 以确定感兴趣的事件是否已发生。由于其中许多设备在相对高功率的数字片上系统 (SoC) 上运行相关的 ML 算法，因此它们只需等待触发事件即可消耗大部分功率。

　　面向 ML 的模拟计算

　　在这些挑战中，模拟计算最近以低功耗ML为目的而重新兴起。

　　与通过符号计算(1和0)执行算术运算的数字计算相反，模拟计算依赖于精确的电压和电流值。出于多种原因，模拟计算特别适合 ML 应用。

　　一个主要原因是，几乎所有 ML 应用程序都从分析原始形式的数据(最初是模拟数据)开始的。由于大多数传感器的输出是模拟信号，因此模拟计算之所以有意义，因为它能够以数据的原始格式进行计算，从而节省功耗和时间，从而消除了 ML 工作流程中昂贵的模数转换需求。

　　而且，计算要求 机器学习算法 与模拟计算机的功能很好地保持一致。例如，ML 中最基本的任务之一是乘法累加 (MAC) 函数。您 可以 通过 对 进出 节点 的 电流 求和， 轻松 实现 模拟 电路 中的 MAC 功能。事实上，MAC功能需要许多晶体管来实现数字实现，而只需使用几个晶体管就可以更有效地在模拟中完成。

　　最后，与数字计算相比，应用能够以明显更低的功耗执行模拟MAC功能和其他模拟计算。

　　模拟机器学习解决方案

　　目前市场上很少有模拟计算解决方案。然而，在可用的解决方案中，Aspinity的解决方案尤其独特。

　　无脊椎性产生 模拟机器学习芯片 旨在以原始格式检测和分类传感器驱动的事件。如图2所示，该芯片由不同的级组成，包括模拟输入/输出(I/O)、传感器接口、信号分解和多层神经网络。

　　图 2：Aspinity 模拟 ML 芯片的框图。(来源：阿斯皮尼蒂)

　　每个级都由可配置的模拟模块(CAB)组成，这些模拟模块是特定于功能的模拟模块，用户可以通过软件根据其特定需求进行编程和配置。

　　在这些模块中是Aspinity专有的模拟非易失性存储器(NVM)。NVM 存储偏差和权重等值，并允许系统微调 CAB，以考虑由固有现象(如不匹配和温度)引起的可变性。使用 NVM，您可以确保每个模拟电路按预期运行，并且彼此完全相同。

　　用户可以利用这些工具根据其应用需求定制解决方案，支持各种输入传感器类型和数字 I/O 兼容性。

　　模拟电源效率

　　由于高度可靠和高性能模拟计算的出现，对于始终在线的ML，存在一种很有前途的电源效率解决方案。

　　系统可以利用模拟计算来执行智能设备所需的始终在线的 ML 处理，如图 3 所示。

　　图 3：使用模拟计算，可以显著降低始终在线的 ML 系统功耗。

　　在这种架构中，Aspinity的模拟ML芯片可以位于传感器和数字电子设备之间。这里，上游 模拟芯片 将持续对原始传感器数据执行必要的ML计算，并在检测到触发器时唤醒必要的下游数字电子设备。

　　这种设置的主要好处是前所未有的节能。与高耗电的数字电子设备始终处于打开状态的传统架构相反，该解决方案允许关闭数字电子设备，除非需要它们。

　　同时，模拟处理器以~20 μA的极小功耗执行始终在线的事件检测。因此，最初消耗约7450 μA的系统现在可以消耗低至70 μA或更低，具体取决于应用。

　　为了进一步量化这一优势，内部测试表明，与传统方案相比，语音检测等常见应用在增加模拟计算后，能效可提高92×倍。其他应用，如玻璃破碎检测，已证明节能高达105×。

　　面向未来边缘的模拟

　　随着边缘 ML 成为我们技术世界中越来越重要的一部分，对电源效率的需求从未如此之大。在所有可用的解决方案中，模拟计算(经证明可将功耗降低几个数量级)具有推动该领域发展的独特优势。

　　为了确保一个可以支持ML的未来，我们已经习惯了一种可行和可持续的方式，在这里 模拟计算 将是一个必要的工具。