Perangkat berdaya rendah dapat mendengarkan dengan koklea silikon

Saat kita bergerak menuju penginderaan dan komputasi yang lebih di mana-mana, selalu aktif, daya menjadi semakin penting. Mungkin tidak ada contoh yang lebih baik tentang di mana ini penting daripada perangkat yang diaktifkan suara di meja kita, di saku kita, dan didistribusikan di sekitar rumah kita. Seperti yang kita lihat tahun lalu, pencarian kata kunci secara khusus saat ini menjadi target untuk semua jenis teknologi neuromorfik.

Cochlea silikon

Pemenang Hadiah Misha Mahowald untuk Teknik Neuromorfik 2020 adalah Prof. Shih-Chii Liu dan timnya, yang telah mengerjakan sensor berlatensi rendah dan berdaya rendah untuk mendeteksi ucapan. Sensor audio dinamis yang dikembangkan Shih-Chii Liu dan timnya di Institute of Neuroinformatics (INI) pada akhirnya dapat mengatasi pasar ini. Pada intinya adalah koklea silikon yang dirancang untuk meniru biologi. Pertama, suara yang masuk disaring ke saluran frekuensi menggunakan satu set filter bandpass analog, yang outputnya disearahkan setengah gelombang. Bersama-sama, ini meniru fungsi sel-sel rambut di telinga.

Dalam sistem audio konvensional, suara pertama-tama dikonversi menggunakan konverter analog-ke-digital dan kemudian fitur-fiturnya diekstraksi menggunakan transformasi Fourier cepat digital (FFT) dan pemfilteran bandpass (BPF). Ini diproses oleh prosesor sinyal digital (DSP) yang menjalankan deteksi aktivitas suara (VAD) atau algoritma pengenalan suara otomatis. B. Dalam sensor audio dinamis INI-Zurich, sinyal diterima sebagai pita audio analog dari fitur dan perubahan dikodekan, secara paralel, menjadi rangkaian lonjakan asinkron (peristiwa), yang kemudian diproses.

Seperti yang terjadi dalam biologi, saluran yang berbeda kemudian disiapkan untuk diproses di otak. Di telinga, sel ganglion mengkodekan sinyal sebagai aliran ion kimia:di koklea silikon, sinyal diubah menjadi paku listrik. Ini dapat dilakukan dengan menggunakan fungsi integrasi-dan-api klasik, atau modulator delta asinkron (ADM) yang membandingkan sinyal ke dua ambang batas dan mengirimkan peristiwa yang sesuai saat ini dilewatkan, sehingga bertindak sebagai ekstraktor fitur. Karena sinyal yang tidak berubah diabaikan, jumlah informasi redundan yang diteruskan ke tahap berikutnya berkurang.

Dari sudut pandang kekuatan, jika tidak ada yang terjadi, koklea silikon hampir tidak mengeluarkan energi apa pun, tetapi saat aktivitas meningkat, jumlah lonjakan juga meningkat. Bergantung pada aplikasinya, itu bisa menjadi keuntungan besar (jika ada banyak mendengarkan tetapi sangat sedikit tindakan) atau tidak ada keuntungan sama sekali (bila ada hal-hal yang relevan untuk didekode sepanjang waktu).

Namun, sebagai sensor audio yang beroperasi dalam rezim W rendah, chip ini dapat menawarkan opsi yang berharga bagi perancang sistem untuk meningkatkan efisiensi daya. Hal ini juga memungkinkan rentang dinamis yang sangat tinggi, karena ada cakupan hampir tak terbatas untuk paku berjauhan atau berdekatan karena mereka beroperasi dalam waktu terus menerus.

Pengenalan ucapan

Bagian penting dari pekerjaan ini adalah untuk menunjukkan manfaat . Secara khusus, aliran peristiwa yang dihasilkan oleh koklea silikon dapat digunakan dalam aplikasi nyata seperti deteksi aktivitas suara, tahap pertama pengenalan kata kunci. Liu dan timnya telah berhasil melakukan ini dengan menggunakan output peristiwa untuk membuat bingkai data 2D:histogram dari lonjakan yang tiba, berdasarkan frekuensi, diatur selama 5 mdtk dari bingkai. Disebut kokleagram, ini dapat dibaca ke dalam jaringan saraf dan artinya diterjemahkan dari sana.

Menurut Liu, "Penggunaan jaringan dalam pada sensor sangat menarik bagi komunitas IEEE ISSCC dan sangat tepat waktu mengingat minat besar saat ini dalam komputasi tepi audio." Ada banyak makalah tentang ASIC berdaya rendah untuk menemukan kata kunci, katanya, tetapi ini menggunakan fitur seperti spektogram konvensional. Salah satu tujuannya, “adalah untuk menunjukkan bahwa solusi hibrid (desain sinyal analog campuran) dapat menghasilkan solusi desain berdaya lebih rendah dengan respons latensi lebih rendah”.

Tahun lalu INI merilis video yang menunjukkan sistem yang mengenali angka (Anda dapat melihat Liu dari sekitar 2:06). Ini jauh dari sempurna, tetapi juga masih relatif awal dalam pengembangan sistem. Tim yang terdiri dari Minhao Yang, Chang Gao, Enea Ceolini, Adrian Huber, Jithendar Anumula, Ilya Kiselev, dan Daniel Neil selama bertahun-tahun, juga telah bereksperimen dengan fusi sensor:Liu dan rekan-rekannya menggabungkan informasi audio dan visual untuk membuat klasifikasi lebih dapat diandalkan [1]. Mereka telah menerbitkan aturan desain awal untuk memilih kapan sensor analog menguntungkan dan kapan lebih baik menggunakan digital [2].

Misha Mahowald, salah satu penemu representasi acara alamat, dan untuk siapa Penghargaan Teknik Neuromorfik dinamai.

Upaya konstan lainnya telah melibatkan peningkatan efisiensi daya dan kinerja DAS. Sebagian dari ini melibatkan melihat implementasi fungsi individu, dari filter bandpass berbasis sumber-pengikut hingga desain ekstraktor fitur analog.

Mengurangi efek variabilitas dalam elektronik analog telah menjadi bidang penelitian penting lainnya. Untuk membantu dengan ini, mereka membangun emulator perangkat keras yang dapat mereka gunakan untuk menguji masalah ini jauh lebih cepat, kata mereka, daripada yang mungkin dilakukan dengan menggunakan perangkat lunak komersial seperti Cadence Virtuoso. Dengan melatih jaringan saraf biner yang mereka gunakan untuk klasifikasi dari perangkat lunak daripada perangkat keras, mereka dapat secara akurat memprediksi kinerja klasifikasi pada berbagai chip uji nyata [3]. Mereka sekarang melihat penambahan noise ke sistem sebagai proxy untuk variabilitas untuk membuat proses desain menjadi lebih kuat.

Hadiah Mahowald

Liu adalah salah satu peneliti awal dalam rekayasa neuromorfik; dia tidak hanya bekerja di lab Carver Mead di Caltech (tempat Mahowald pernah bekerja) tetapi juga anggota pendiri Institute of Neuroinformatics ketika banyak dari grup tersebut meninggalkan California ke Zurich.

Saat memenangkan penghargaan, Liu berkata, “Merupakan kehormatan besar bagi kami untuk dianugerahi penghargaan ini, terutama dengan begitu banyak peneliti yang baik di bidang teknik neuromorfik. Karya yang dibangun di atas desain koklea silikon awal selama beberapa dekade yang dikembangkan dari Dick Lyon, Carver Mead, Lloyd Watts, Rahul Sarpeshkar, Eric Vittoz, dan Andre van Schaik.”

Mengenai pentingnya rekayasa neuromorfik, dia berkata, “Bahkan pada akhir hukum Moore, komputasi digital akan tertinggal dari efisiensi energi biologi setidaknya dengan faktor seribu. Dengan demikian, potensi efisiensi sistem elektronik analog hibrida seperti DAS menjadi lebih penting dari sebelumnya.”

Referensi

[1] D. Neil dan S. C. Liu, “Penggabungan sensor yang efektif dengan sensor berbasis peristiwa dan arsitektur jaringan dalam,” dalam Prosiding – Simposium Internasional IEEE tentang Sirkuit dan Sistem , Juli 2016, vol. 2016-Juli, hlm. 2282–2285, doi:10.1109/ISCAS.2016.7539039.

[2] S. C. Liu, B. Rueckauer, E. Ceolini, A. Huber, dan T. Delbruck, “Event-Driven Sensing for Efficient Perception:Vision and audition algorithms,” Proses Sinyal IEEE. Mag. , jilid. 36, tidak. 6, hlm. 29–37, November 2019, doi:10.1109/MSP.2019.2928127.

[3] M. Yang, S.-C. Liu, M. Seok, dan C. Enz, “Penginderaan Akustik Cerdas Berdaya Ultra Rendah menggunakan Ekstraksi Fitur Terinspirasi Cochlea dan Klasifikasi DNN.”

[4] M. Yang, CH Chien, T. Delbruck, dan SC Liu, “A 0,5 V 55 W 64 × 2 Saluran Binaural Silicon Cochlea untuk Penginderaan Stereo-Audio Berbasis Peristiwa,” IEEE J. Solid-State Sirkuit , vol. 51, tidak. 11, hlm. 2554–2569, November 2016, doi:10.1109/JSSC.2016.2604285.

>> Artikel ini awalnya diterbitkan pada situs saudara kami, EE Times.