解决模拟数据泛滥的关键是什么？

编者按：模拟接口是沟通物理世界与数字世界的桥梁。我们能够通过模拟信号去处理的信息，仅为物理世界中存在信息的一万万亿分之一，因此，社会需要模拟技术基础研究能快速发展。

新的传感技术成为必需品，例如联动传感（sensing to acTIon）、模拟“人工智能”平台、类脑／神经形态和分层计算，以及其他的技术方向。信息技术在传感器上的突破性进展是基础性要求，例如开发基于传感器原始数据感知算法以分析环境或场景。而类似于模拟“接近计算”等新计算模型也是需要重点关注的研究方向，模拟“接近计算”类似人脑行为，在消耗能量与计算时间上与输出精度做折中。新型模拟技术将为通信技术发展带来巨大推动力。对物联网和大数据行业而言，如何收集、处理、传输位于输入输出边界的模拟数据十分关键。此外，模拟开发方法学也需要有跳跃式提升（10倍开发效率，甚至更高），以提高模拟产品开发产出，从而能及时满足应用对模拟芯片需求的爆炸性增长。总而言之，联合研发以推动未来革命性发展高能效模拟集成电路是必要的，因为模拟电路对未来信息技术的数据类型、工作负载和应用方向都至关重要。

模拟芯片技术的长期目标是在减少能量消耗的同时增加可 *** 作信息量，从而实现高效、实时（低延迟）的传感－模拟－信息通路，实际信息压缩比期望做到10＾5（即10万）：1。

在此十年中，美国将每年投资6亿美元用于研究模拟电子的新方向。已选优先研究的课题罗列如下。

美国半导体十年计划研讨会牵头制定了“模拟电子新方向”的长期目标，该研讨会由学术界、工业界和政府实验室的专家组成。“模拟电子新方向”包含以下五个研究领域：

模拟信息通信系统（ICT）的基本原理、挑战和应用驱动方向

智能传感器：传感和致动

太赫兹模拟技术

端侧机器学习中的模拟技术

模拟设计的效率和生产可预测性

该文是智能传感器部分的翻译，由于编译人员经验尚浅，不当之处，请多指教。

概述和需求

未来十年，随着电子技术的进步，智能工厂、智慧城市、智能汽车等“智能社会”将变成现实。其核心驱动力包含能源效率、安全性、生产力、灵活性、健康，以及娱乐和个性化。为实现核心驱动因素，需要感知现实世界并及时采取适当行动和有效措施。绝大多数传感器可以从物理社会中接收模拟输入信号。将这些信号数字化将会创建大量的原始数据，由于预计要部署的传感器数量庞大，数据负载预计将以指数级的速度增长。何时何地如何处理不断增长的传感器应用过程中的数据，以提取信息、收集见解、作出决定以及采取行动是亟待解决的问题。

随着对视觉信息（安全摄像机，车辆360摄像头，面部识别等）和高分辨率的需求不断增加，每个传感器的平均数据采集率呈指数级增长。到2032年，传感器的数据增长（图1．8）估计将达到每年1BB ＝珀字节＝ 1027 字节／年，相当于大于 1020 bit ／ s。

图1．8 全球传感器数据增长趋势及预测

模拟传感器数据泛滥问题

本级别的数据生成有两个关键问题：

1）消化或有效使用传感器输出的数据建立更加智能的社会；

2）有效地处理数据以采取适当行动。

消化数据（即处理数据）的能力远远超出了人类在数据量、理解力和及时性等方面的能力范围。当前，估计人类的总数据消耗约为 1017 bit ／ s，而在接下来的十年中，预估数据的生成量将超过现在1000倍。预计传感器将以指数形式增长，因此需要进行机器处理才能有效利用所部署的传感器。

这就导致了处理数据采取适当行动的第二个问题。如上所述，那些需要机器处理的典型数据流，在通信介质上传输数据，并反馈适当的信息以采取行动。在预计的数据速率（ 1020 位／秒）下，假设功耗只有1pJ ／位，则需要100MW。在此半导体十年规划中最积极的通信目标是大于该级别100倍（0．1nJ ／位），仅通信功耗就达到10GW。

如果我们要利用模拟传感器数据的预期增长来驱动建设更智能的社会，则需要进行重大变化。一个更加智能的社会，可以更好地实时管理电网基础设施和微电网规模（包括可再生能源动态），以灵活／高效的生产方式提高产量，并通过跟踪照明和HVAC（供热通风与空气调节）系统需求提高建筑效率，而不是通过预定程序实现这些。

解决模拟数据泛滥的关键是提高传感器、信号处理和后续行动决策的能力，尽可能本地化处理，而不是将数据传到远端进行处理（即到云端）。“感知行动”的目标是优化系统分区，以管理系统中传输的数据量。在电力／能源和成本方面，为了改善环境和健康，需要在本地实际处理数据能力与全球性考虑因素之间取得平衡。为提高决策能力，需在本地快速决策与较慢的集成学习模型之间进行协调。

从人体的感觉／处理系统可获得参考，人体感知处理系统通过人体的感觉系统产生约10 Mbits ／ s的速度，但仅以小于50 bit ／ s的速度自觉处理比率为200，000 ：1的总体“数据信息位”。大脑持续以较慢的速度在后台学习，以增强前景中的“感知行动”。因此，我们最初将目标定为一个类似的量度，以实现将“数据”到可 *** 作“信息位”以100，000：1减少，或称之为数据减少率（DRR）为100，000：1。

图1．9 数据压缩权衡

数据减少率：DDR ＝ 数据位／信息位

这是非常积极的做法，并且不会影响所有传感应用的功能。

传统的信号压缩是不够的。压缩通常以原始信号的重建为目标，并保留一些应用通用性。对于需要重建的情况，例如视频和音频娱乐或用于远程医疗诊断和手术的现场视频，此解决方案的效果很好，但仅限于将数据缩减10倍至200倍（图1．9）。

为了在检测信号中提供检测到的“可 *** 作信息”的输出（模拟或几个字节），需要对检测信号或“信息”的处理方式进行模式转换。需要对关键行动目标及信号和相关的“检测熵”有较高的了解——因此具有确定性或健壮性（robustness）。在经典信息理论中，香农（Shannon）将“信息熵”度量定义为简洁地捕获任何信息（与原始数据相反）所需的绝对最小存储量和传输量。此概念被扩展到从感测中检测到的采取行动所需的最小可 *** 作输出。这个输出可以是数据位（甚至单个位），也可以是控制驱动的模拟输出信号。为了产生可 *** 作的输出，需要系统知识支撑，并考虑对从传感器本身，到模拟信号处理，以及可能在模拟和数字域中的神经处理等所有系统组件增加智能。因此，正如美国能源科学办公室在2018年发布的“微电子学的基本研究需求”报告中所强调的那样，整体协同设计将是必需的。

还有可能感知更多参数，尤其是使用更便宜的电子设备来执行光谱分析时。不同传感方式（传感器融合）的组合为更好的系统优化，以及可能更好的传感能力开辟了可能性。人类与世界互动的方式也颇受瞩目，创新可能性很高，增强现实及类似技术可能会为人机交互创造不同的方式，而感知行动是关键的使能技术之一。

我们正面临着传感器数据的爆炸式增长——数据泛滥。当前，海量传感器数据既不容易处理，也不利于传送。智能社会对传感器需求实质性增长，并且越来越多应用趋势出现，从而增加了传感器的数量及其产生的数据量。传感器数据量必须通过智能缩减来降低，即转向“感知行动”模型以传输最少的信息位。为了解决这个问题，已经设定了平均数据减少比率为100，000：1的目标。解决这样一个积极的目标需要进行多个领域的研究，并已推荐一份初步清单。

宏伟目标：实际压缩比为 105 ：1的模拟信息压缩

图1．10 人体互联网和以人为本的计算（由加州大学伯克利分校的Jan Rabaey提供）

这是“模拟电子的新轨迹”第二部分，聚焦于“智能传感：感知到行动”，与前面的讨论直接吻合。以下是受邀专家演讲的要点总结，其后是未来研究重点。

学术界的主题演讲强调分布式智能，包括“行动互联网”。本地和分布式处理在时延、能效、安全性／保密性、健壮性和自治性方面具有优势。这是通过人体模型（图1．10）和其他生物系统突显出来的，它们是具有多个反馈路径的分层但紧密链接的控制系统。关键点在于尽可能缓慢地仅发送所需的信息，并在可能的情况下在本地进行处理。他们在讨论中，举例说明了早期感测／处理技术，以及使用最合适的技术（模拟，数字甚至化学）进行处理。总体而言，通信成本很高，而处理成本（能源等）则要低得多。

第一位行业专家讨论了移动便携式AR ／ VR应用，该应用强调需要以非常低的功率进行本地处理，并具有多种感应方式才能有效。延迟和帧率对于需要本地性能的自然人机界面至关重要。为满足产品尺寸与重量的要求而提高集成度一直驱动技术向前发展，除了使用电路板、柔性板和封装集成方法，还有三层堆叠传感器示例（像素＋ DRAM ＋逻辑异质集成）。为满足更高的强调数据传输与处理的能源成本要求，系统协同优化是必不可少的。

第二位行业专家聚焦于“足够准确”的传感方式和信号处理，以及组合多个传感器以做出可靠的决策和行动。此外，传感器的“主动感应”和自我校准可以提供额外的性能和功能（图1．11）。在工业／机器人、汽车、基础设施和健康／医疗应用中的感知和行动具有很高的价值。他还强调了传感器产生的大量“原始数据”以及提高行动效率必要的信息缩减。具体示例包括汽车ADAS ／自主多传感器图像，其中检测到的物体是最终结果，并且“数据”的数量级更少。

下一位来自学术界的专家讨论了压缩感测应用的领域。数据可以通过稀疏／压缩采样来减少，但是从能耗的角度来看，用于数据重建的后期处理可能会非常昂贵。再次利用生物学，根据应用需要在本地进行稀疏处理具有价值。他强调了为未来的感知行动应用持续构建最佳性能创新的必要性。

来自工程界的第四位专家介绍了用于物联网的高度集成SoC，高集成度对于小尺寸可穿戴设备和低功耗是必需的。他强调，为节省功率允许占空比循环，需要“常开”处理器来为主处理器减轻负担。他再次强调了针对该应用程序的技术定制，其中包括针对ML（机器学习）的硬件加速，这些硬件加速针对低功耗和物体检测或其他功能进行了定制。NVM（虚拟机）和内存中的计算已被强调为关键技术需求。

最后一位来自学术界的专家强调需要有效和高效的人机界面在医疗中的应用。医疗应用对人机界面等要求包括本地处理、低功耗、便携性和人体兼容性。学习和适应能力是使解决方案个性化和有效的关键能力。大脑中的“神经接口”面临着非常重大的挑战，但是入耳式传感器有机会替代探针，同时仍提供有效“信息”。他还提出了将人类生物处理作为改善此类界面和疗法的模型。

图1．11 足够准确的有源感应和校准（由德州仪器，Baher Haroun提供）

图1．12 常开处理器（由高通，Rashid Attar提供）

图1．14 本地及分层智能感应

图1．14展示了一个“感知行动”系统的概况图，该系统为以下列出的开放性问题／挑战，以及以下小节中的研究需求提供了背景。开放的问题／挑战包括：

“万亿”传感器生成冗余和未使用的“数据”。

云不是答案。

通信是瓶颈。

处理冗余数据的能力不高

延迟时间太长，无法进行本地控制和采取行动

需要智能传感器来推动本地及时采取行动。

重点领域和后续研究

系统解决方案和协同设计方法：这种整体方法建议使用，以实现稳健紧凑、能效高、成本效率高的解决方案。这将需要：

智能传感器与传感器融合研究——智能分布式多传感器

应用与系统知识研究

分层与分布式探索／优化

多专业协作研究课题——探月竞赛演示平台

推动模拟技术共同目标——可将技术推广至其他应用

跨边界系统优化方法——传感器、模拟处理、数字处理、ML（机器学习）／检测等

研究最合适信号捕获的领域——能量和降低传感器数据速率

以人的系统为模型：围绕如何参考人类感知处理系统撬动传感器技术开发展开了重要讨论，即通过层次化的“感知到行动”解决方案以最小的通信量仅提供所需的内容。 这将需要：

针对许多应用的局部动作感知，包括“选择性”或“检测”更智能的传感器，可最大程度地减少进一步的信号处理和功耗

学习和自适应解决方案，以提高准确性和效率

了解健壮性所需的“最低”性能——SNR（信噪比）、分辨率、位数等。

本地反馈（不向云发送），以便及时有效地感知行动

边缘机器学习与模拟机器学习的领域交叉

异构传感—组合和多模式传感融合

研究如何在系统中始终保持异常的“早期检测”以进行进一步处理

ML可确定“正常”并设置异常检测阈值

增加模拟设计师对生物学及其与物理世界的联系的知识和理解，以产生重大而有意义的影响

灵活、可扩展的平台和技术：由于感知行动应用的范围广泛，因此需要一种灵活且可扩展的平台来解决效率（功率和成本）问题。 这将需要：

技术：内存、传感器、与信号处理相关的领域、本地化处理、电源效率

用于性能和／或超低功耗的高级构建模块研究

ADC（模数转换器）、PLL（锁相环）、DAC（数模转换器）、VCO（压控振荡器）、高速链路、近零功耗

基于时间的新架构：环形放大器、噪声成型SAR（合成孔径雷达）、开关电容PA（功率放大器）

基于阵列的处理：多传感器、多模式、波束处理，波束成形／检测

可以提高多个低性能传感器的性能（SNR）

多传感器设计和传感器反馈，以提高性能，冗余和安全性

异构传感：组合和多模式传感融合

用于高性能或替代架构的新设备

RRAM（阻变式存储器）、MRAM（非易失性磁性随机存储器）或其他现有和新兴技术中的模拟ML

带有新的先进数字设备的数字协助

模拟混合信号机器学习，和／或CMOS神经网络

利用分析／机器学习进行模拟电路设计——更快，更优化，更不易出错。需求以可预测和可靠的设计快速处理多个应用程序
       责任编辑:pj