Mengapa DSP tiba-tiba ada di mana-mana

Ketika inti CPU ARM pertama kali divalidasi meskipun diadopsi oleh beberapa nama utama dalam komputasi termasuk Apple, penggunaan meledak terutama untuk aplikasi seluler. Dalam retrospeksi, keuntungannya jelas – perangkat apa pun dapat dibuat jauh lebih fleksibel dan kaya fitur dengan prosesor tertanam. Pada saat yang sama, kemampuan tersebut dapat ditingkatkan dalam perangkat lunak:Sebuah platform perangkat keras tunggal dapat mendorong beberapa rilis produk melalui peningkatan perangkat lunak saja.

(Sumber:CEVA)

Mesin komputasi ini sangat fleksibel dan sempurna untuk banyak tugas manajemen dan komputasi tujuan umum di ponsel cerdas kami dan produk seluler lainnya, tetapi sifat umum itu memiliki kelemahan. Ada operasi tertentu yang pada komputer tujuan umum akan berjalan terlalu lambat dan menghabiskan terlalu banyak daya untuk menjadi praktis. Modem di bagian komunikasi nirkabel ponsel cerdas Anda adalah contoh awal. Ini harus memproses sinyal radio secara real-time, dalam setiap kasus tidak berurusan dengan kata-kata digital yang sudah dikenal dan bit yang digunakan di dalam bagian komputasi telepon, melainkan dengan versi digital dari sinyal analog yang terus berubah-ubah yang digunakan dalam transmisi dan penerimaan radio. .

Pemroses sinyal digital (DSP) dirancang untuk jenis analisis ini. Mereka memiliki representasi floating-point built-in yang diperlukan untuk sinyal digital dan mereka memiliki dukungan kuat untuk fungsi matematika yang diperlukan dalam pemrosesan sinyal, seperti fungsi multiple-accumulate (MAC). Mereka juga dioptimalkan untuk memproses data streaming, daripada pemrosesan berorientasi batch yang umum dalam komputasi konvensional, fitur penting dalam hal ini untuk menangani transmisi dan penerimaan radio berkelanjutan.

Kebutuhan pemrosesan audio memiliki banyak fitur yang sama seperti yang terlihat dalam pemrosesan sinyal nirkabel. Aplikasi DSP ini menjadi umum dalam aplikasi audio kelas atas seperti pemerataan dan kompresi rentang (misalnya kompresi Dolby), kemudian semakin meningkat dalam fungsi seperti headphone peredam bising yang memungkinkan Anda tidur tanpa gangguan selama penerbangan.

Kemudian AI berkembang, awalnya hanya di pusat data tetapi sekarang semakin banyak di seluler dan aplikasi tepi lainnya. Mobil kami sekarang dapat mendeteksi pejalan kaki dan potensi tabrakan, dan mereka dapat mendeteksi marka jalur untuk memandu kemudi dalam bentuk dasar mengemudi sendiri. Kami dapat mengontrol TV atau speaker pintar kami melalui perintah suara, untuk menemukan lagu atau film atau menurunkan atau menaikkan volume. Kami bahkan dapat mengontrol GoPro di helm pengaman sepeda kami melalui perintah suara untuk memulai atau menghentikan pengambilan gambar.

Semua kemampuan ini bergantung pada pemrosesan streaming data (suara) atau gambar (gambar diam kamera) atau mungkin keduanya (video), masing-masing secara real-time atau sangat dekat dengan real-time. Lihat dulu pada pemrosesan audio. Pertama, Anda perlu menangkap sinyal audio streaming berkualitas tinggi – melalui beamforming audio dari beberapa mikrofon, pembatalan gema, dan peredam bising – semua area di mana sudah ada pengalaman bertahun-tahun dalam implementasi DSP.

Maka Anda harus mengenali perintah menggunakan jaringan saraf terlatih, dasar dari hampir semua teknik AI ini. Algoritme ini terlihat sangat berbeda dari yang Anda jalankan di CPU; dan sementara mereka dapat berjalan pada CPU, mereka akan menjadi lambat dan menghabiskan baterai dengan cepat. Pendekatan yang lebih baik adalah memprogram jaringan saraf pada arsitektur yang menawarkan paralelisme tingkat tinggi, yang memungkinkan banyak komputasi berjalan pada waktu yang sama daripada secara serial seperti pada CPU. Ini adalah kekuatan inti lain dari DSP – paralelisme dalam komputasi.

Anda mungkin bertanya-tanya apakah, terlepas dari semua keuntungan ini, DSP mungkin terlalu rumit untuk digunakan oleh siapa pun selain spesialis yang tidak punya pilihan selain menggunakannya. Tentu saja mereka tidak sesederhana untuk digunakan seperti CPU tetapi perbedaannya tidak terlalu besar. Anda menulis kode-C untuk keduanya, meskipun Anda harus sedikit lebih bijaksana dalam kode yang Anda tulis untuk DSP untuk mendapatkan keuntungan penuh dari kinerja.

(Sumber:CEVA)

Untuk adopsi yang meluas, setiap radio di ponsel Anda – Bluetooth, Wi-Fi, dan seluler – menggunakan satu atau lebih DSP. Earbud Bluetooth menggunakan DSP, untuk Bluetooth dan juga audio. Banyak speaker pintar menggunakan DSP. Remote kontrol suara menggunakan DSP. Sistem keamanan rumah menggunakan DSP untuk mendeteksi gerakan yang tidak wajar pada kamera dan suara yang tidak biasa seperti gonggongan anjing atau pecahan kaca. Sensor pintar di mobil Anda menggunakan DSP untuk mendeteksi bahaya maju dan mundur serta untuk mendeteksi marka jalur.

Mengapa tidak menggunakan GPU untuk semua fungsi ini? GPU memang sangat terkenal terutama untuk AI dan telah banyak digunakan di pusat data untuk pelatihan jaringan saraf. Tapi mereka terlalu besar, terlalu haus daya dan terlalu mahal untuk banyak aplikasi edge. Ada dorongan besar untuk memindahkan lebih banyak fungsi AI ke perangkat ini karena alasan daya, keamanan, dan privasi. Tetapi ini harus menjadi solusi yang sangat hemat biaya. Dalam kebanyakan kasus, ada sedikit keinginan untuk menambah biaya solusi total secara signifikan (mobil, TV, keamanan rumah).

Itulah sebabnya DSP tertanam ada di mana-mana. Anda dapat menambahkan kontrol suara, deteksi objek, kontrol kualitas audio, dan banyak lagi ke produk Anda dengan biaya rendah dan daya rendah dan masih dengan fleksibilitas programabilitas perangkat lunak. Mereka tidak akan menggantikan CPU untuk manajemen dan pemrosesan umum, tetapi tampaknya mereka mengambil alih semua yang berkaitan dengan audio dan video/pencitraan cerdas.

Blog ini adalah yang pertama dalam seri dan berlanjut dengan posting “Ketika DSP mengalahkan akselerator perangkat keras ” dan “Keputusan, keputusan:Akselerator perangkat keras atau DSP ?“.