低電力デバイスはシリコン蝸牛で聞くことができます

よりユビキタスで常時接続のセンシングとコンピューティングに移行するにつれて、電力はますます重要になります。これが重要な例は、机の上やポケットの中にあり、家のあちこちに分散している音声起動デバイスほど良い例はないでしょう。昨年見たように、特にキーワードスポッティングは現在、あらゆる種類のニューロモルフィックテクノロジーのターゲットとなっています。

シリコン蝸牛

ニューロモルフィックエンジニアリングのミーシャマホワルド賞の2020年の受賞者は、音声を検出するための低遅延、低電力センサーに取り組んできたシーチイリュー教授と彼女のチームです。シー・チイ・リューとニューロインフォマティクス研究所（INI）の彼女のチームが開発しているダイナミックオーディオセンサーは、最終的にこの市場に対応する可能性があります。その核となるのは、生物学を模倣するように設計されたシリコン蝸牛です。まず、入力音は、アナログバンドパスフィルターのセットを使用して周波数チャネルにフィルター処理され、その出力は半波整流されます。一緒に、これは耳の有毛細胞の機能をエミュレートします。

従来のオーディオシステムでは、最初にアナログ-デジタルコンバーターを使用してサウンドが変換され、次にデジタル高速フーリエ変換（FFT）とバンドパスフィルタリング（BPF）を使用して特徴が抽出されます。これらは、音声アクティビティ検出（VAD）または自動音声認識アルゴリズムを実行するデジタルシグナルプロセッサ（DSP）によって処理されます。 B. INI-チューリッヒダイナミックオーディオセンサーでは、信号は機能を備えたアナログオーディオバンドとして受信され、変更は非同期スパイク（イベント）のトレインに並列にエンコードされ、処理されます。

生物学で起こるように、その後、さまざまなチャネルが脳で処理する準備が整います。耳では、神経節細胞は信号を化学イオンのラッシュとしてエンコードします。シリコン蝸牛では、それらは電気スパイクに変わります。これは、従来の統合発火機能、または信号を2つのしきい値と比較し、これらが渡されるときに適切なイベントを送信して特徴抽出器として機能する非同期デルタ変調器（ADM）のいずれかを使用して実行できます。不変の信号が無視されるため、次のステージに渡される冗長な情報の量が削減されます。

パワーの観点から、何も起こらなければ、シリコン蝸牛はほとんどエネルギーを消費しませんが、活動が増加するにつれて、スパイクの数も増加します。アプリケーションに応じて、それは大きな利点になるか（リスニングが多いがアクションがほとんどない場合）、まったく利点がない（常にデコードする関連するものがある場合）可能性があります。

ただし、低µW領域で動作するオーディオセンサーとして、このチップはシステム設計者に電力効率を高めるための貴重なオプションを提供する可能性があります。また、スパイクは連続時間で動作するため、スパイクが遠く離れたり、互いに接近したりする可能性がほぼ無限にあるため、非常に高いダイナミックレンジが可能になります。

音声認識

この作業の重要な部分は、有用性を実証することでした。 。具体的には、シリコン蝸牛によって生成されたイベントストリームは、キーワード認識の最初の段階である音声アクティビティ検出などの実際のアプリケーションで使用できます。 Liuと彼女のチームは、イベント出力を使用してデータの2Dフレームを作成することにより、これを行うことに成功しました。フレームの5msに配置された、周波数ごとの到着スパイクのヒストグラムです。蝸牛図と呼ばれるこれらはニューラルネットワークに読み込まれ、そこから意味がデコードされます。

Liu氏によると、「センサーでのディープネットワークの使用は、IEEE ISSCCコミュニティにとって非常に興味深いものであり、オーディオエッジコンピューティングに対する現在の大きな関心を考えると、非常にタイムリーです。」キーワードスポッティング用の低電力ASICに関する多くの論文がありますが、これらは従来のスペクトログラムのような機能を使用しています。彼女の目標の1つは、「ハイブリッドソリューション（混合アナログ信号設計）が、より低遅延の応答を備えたさらに低電力の設計ソリューションにつながる可能性があることを示すことです。」

昨年、INIは数字を認識するシステムを示すビデオをリリースしました（2:06頃からLiuを見ることができます）。間違いのないものではありませんが、システム開発の初期段階でもあります。 Minhao Yang、Chang Gao、Enea Ceolini、Adrian Huber、Jithendar Anumula、Ilya Kiselev、Daniel Neilを長年にわたって含むチームは、センサーフュージョンの実験も行っています。Liuと彼女の同僚は、音声と視覚の情報を組み合わせて分類を行いました。より信頼性が高い[1]。彼らは、アナログセンサーが有利な場合と、デジタルに固執する方がよい場合を選択するための初期設計ルールを公開しています[2]。

アドレスイベント表現の発明者の1人であり、ニューロモルフィックエンジニアリング賞の名前が付けられたミーシャマホワルド。

もう1つの絶え間ない努力には、DASの電力効率とパフォーマンスの改善が含まれています。その一環として、ソースフォロワーベースのバンドパスフィルターからアナログ特徴抽出器の設計まで、個々の機能の実装を検討しました。

アナログ電子機器の変動の影響を減らすことは、もう1つの重要な研究分野です。これを支援するために、彼らは、Cadence Virtuosoなどの商用ソフトウェアを使用するよりもはるかに迅速にこれらの問題をテストするために使用できるハードウェアエミュレーターを構築したと彼らは言います。ハードウェアではなくソフトウェアから分類に使用するバイナリニューラルネットをトレーニングすることで、さまざまな実際のテストチップでの分類パフォーマンスを正確に予測することができました[3]。彼らは現在、設計プロセスをさらに堅牢にするために、変動性の代用としてシステムにノイズを追加することを検討しています。

マホワルド賞

劉はニューロモルフィックエンジニアリングの初期の研究者の一人でした。彼女は、カリフォルニア工科大学（マホワルドが働いていた場所）のカーバーミードの研究室で働いただけでなく、グループの多くがカリフォルニアを離れてチューリッヒに向かったとき、神経情報学研究所の創設メンバーでした。

この賞を受賞した劉氏は、次のように述べています。この作品は、ディックリヨン、カーバーミード、ロイドワッツ、ラウールサルペシュカル、エリックヴィットツ、アンドレバンシェイクにまで及ぶ数十年にわたる初期のシリコン蝸牛デザインに基づいて構築されました。」

ニューロモルフィックエンジニアリングの重要性について、彼女は次のように述べています。「ムーアの法則の終わりでさえ、デジタル計算は生物学のエネルギー効率に少なくとも1000倍遅れます。したがって、DASなどのハイブリッドアナログ電子システムの潜在的な効率は、これまで以上に重要になっています。」

参考資料

[1] D.NeilおよびS.C. Liu、「イベントベースのセンサーおよびディープネットワークアーキテクチャとの効果的なセンサー融合」、 Proceedings – IEEE International Symposium on Circuits and Systems 、2016年7月、vol。 2016年7月、pp。2282–2285、doi：10.1109 /ISCAS.2016.7539039。

[2] S. C. Liu、B。Rueckauer、E。Ceolini、A。Huber、およびT. Delbruck、「効率的な知覚のためのイベント駆動型センシング：視覚および聴覚アルゴリズム」 IEEE信号プロセス。マグ。 、vol。 36、いいえ。 6、pp。29–37、2019年11月、doi：10.1109 /MSP.2019.2928127。

[3] M.ヤン、S.-C。 Liu、M。Seok、およびC. Enz、「蝸牛に触発された特徴抽出とDNN分類を使用した超低電力インテリジェント音響センシング」

[4] M. Yang、CH Chien、T。Delbruck、およびSC Liu、「イベント駆動型ステレオオーディオセンシング用の0.5V55μW64×2チャネルバイノーラルシリコン蝸牛」、 IEEE J.Solid-State回路 、vol。 51、いいえ。 11、pp。2554–2569、2016年11月、doi：10.1109 /JSSC.2016.2604285。

>>この記事はもともと姉妹サイトのEETimes。