Simple Science

最先端の科学をわかりやすく解説

# コンピューターサイエンス# ハードウェアアーキテクチャー# 新しいテクノロジー# ニューラル・コンピューティングと進化コンピューティング

SPAICの紹介:効率的なアナログフロントエンドチップ

SPAICはアナログ信号をスパイク信号に変換して、エッジコンピューティングを強化するんだ。

― 1 分で読む


SPAIC:SPAIC:アナログAFEの未来的な信号変換。エッジコンピューティングアプリ向けの効率
目次

低消費電力のイベントベースアナログフロントエンド(AFE)は、エッジコンピューティングにおいて効率的なシステムを作るために重要なんだ。これらのシステムはセンサーデータをリアルタイムで処理して、デバイスが速く動いて、エネルギーをあまり消費しないようにするんだ。いくつかのスパイキングニューラルネットワーク(SNN)用の神経形状チップは存在するけど、アナログ信号をスパイク信号に変換して、神経形状プロセッサと効果的に接続できるアナログフロントエンドデバイスはあまりないんだ。

SPAICって?

この文脈で、SPAICっていう適応型アナログフロントエンドチップを紹介するよ。SPAICは「アナログAI計算のための信号からスパイクへの変換器」って意味なんだ。このチップは、デルタ変調とパルス周波数変調という2つの異なる方法を使って、アナログ信号をスパイク信号に変換する方法を提供するんだ。さまざまな信号周波数で動作するように設計されていて、180 nmの技術フレームワークに合わせて開発されたんだ。

SPAICの主な特徴は、さまざまな信号を広い周波数範囲でエンコードできる能力があって、神経形状プロセッサを利用する既存のシステムと互換性のある出力を生成するところなんだ。最初のテスト結果は良好で、基本機能が意図した通りに動作することが確認されたんだ。

なんで重要なの?

スパイキングニューラルネットワーク(SNN)は、エネルギー効率の良いデータ処理の新しい方法を代表しているんだ。これらのネットワークは、連続データストリームを処理できるから、速度と低消費電力が重要なエッジコンピューティングのタスクに適しているんだ。でも、この技術を最大限に活かすためには、この目的のために設計された効果的なアナログフロントエンドが必要なんだ。

アナログ信号をスパイクに変換できることは、環境の変化に素早く反応できるから重要なんだ。これは、生物システムが感覚入力を処理するのと似ているよ。

SPAICの仕組み

SPAICのアーキテクチャは、16の同一チャンネルから構成されていて、すべてのチャンネルがアドレスイベント表現(AER)を使った共通インターフェースに接続されているんだ。各チャンネルには4つの主な部分があるよ:

  1. 低ノイズアンプLNA:このコンポーネントは、弱い信号を増幅して、効果的に処理できるようにするんだ。0から24 dBまでゲインを調整できるよ。

  2. 反転電圧フォロワーバンドパスフィルター(FVF BPF):このフィルターは、増幅された信号を洗練させて、さらに処理に適したものにするんだ。異なる周波数に調整可能だよ。

  3. プログラマブルゲインステージ(PGA:フィルタリングの後、このステージは信号をさらに増幅できるんだ。ゲインも24 dBまで調整できるよ。

  4. エンコーディングステージ:最終ステージは、処理された信号をデルタ変調スパイクまたはパルス周波数変調スパイクにエンコードするんだ、実行されている操作に応じてね。

設定可能な特徴

SPAICは、さまざまなアプリケーションニーズに応じていくつかの設定が可能なんだ。この柔軟性は、回路に必要な電流を設定するバイアスジェネレーター、キャパシターデジタルアナログコンバーター(CDAC)、デルタ変調のしきい値を調整する電圧DACによって実現されているよ。

これらの調整は、シリアルペリフェラルインターフェース(SPI)という通信プロトコルを通じて行えるから、さまざまなタスクのためにチップを簡単に設定できるんだ。

回路実装

SPAICチップは180nmの技術プロセスで製造されていて、サイズは2.5mm x 2.5mmとコンパクトなんだ。チップ内のコンポーネントはモジュラリティのために設計されていて、LNAとPGAは同じコア構造の上に作られているから、ノイズ性能とエネルギー効率が向上するんだ。

低ノイズアンプ

低ノイズアンプ(LNA)は、弱い信号を充分に増幅できるようにするために重要なんだ。これは著名なデザインを使っていて、 significantな入力変化を処理できるから、異なるセンサー出力に対応できるんだ。ゲイン設定は性能を最適化するために細かく調整できるよ。

反転電圧フォロワーを使用したバンドパスフィルター

SPAICの各チャンネルには、反転電圧フォロワー設計を使った4次バンドパスフィルターが含まれてるんだ。この構造は、ノイズ管理と周波数設定の調整をしやすくするんだ。プログラム可能なキャパシタを使うことで、フィルターは様々な周波数応答に正確に調整できるから、いろんなアプリケーションに必要なんだ。

エンコーディング技術

SPAICは2つの異なるエンコーディング方法を使っているんだ:

  1. 非同期デルタ変調(ADM:この方法は、増幅された信号が特定の電圧しきい値を超えたかどうかに基づいてスパイクを生成するんだ。信号が上のしきい値を超えると「UP」スパイクが出て、下のしきい値を下回ると「DOWN」スパイクが発生するんだ。ノイズによる誤ったスパイクを避けるためにヒステリシスが追加されているよ。

  2. パルス周波数変調(PFM:この方法では、入力電流がスパイク周波数に変換されるんだ。入力信号は最初に修正されて、特定のしきい値に達するとスパイクを生成するニューロン回路に入るんだ。

性能検証

機能をテストするために、研究者たちはSPAICとマイクロコントローラーを介して通信するカスタムボードを作ったんだ。この設定で、エンコーディングパスを独立して評価できたよ。

テスト中に、アンプの周波数応答とノイズ測定が記録されて、システムが特に低周波数範囲でノイズを効果的に減らすことが示されたんだ。例えば、ある測定では、最初のLNAの出力に対して入力参照ノイズが1.4µVだったんだ。

バンドパスフィルターもテストされて、複数の設定が可能な広い周波数応答が示されたよ。SPAICは、100 Hzから100 kHzの範囲を成功裏にカバーできることが証明されたんだ。

結論

SPAICチップは、スパイキングニューラルネットワークに関わるアナログフロントエンド技術の重要な進歩を表しているんだ。デュアルモードエンコーディング機能により、さまざまな種類の信号を処理する柔軟性が高まるんだ。

他の似たようなデバイスと比較して、SPAICは特にダイナミックレンジとノイズ特性の面で競争力のある性能を提供するよ。効率的なデータ取得システムをエッジコンピューティングタスクに合わせて構築するための重要なコンポーネントとして機能するんだ。

今後の研究は、SPAICを特定のアプリケーションに適用し、様々な設定でのパフォーマンスを評価し、異なる使用ケースにおける電力消費を決定することに焦点を当てる予定だよ。この技術を進展させることで、リアルタイム処理能力を向上させて、よりインテリジェントで応答性のあるシステムの開発に貢献できるんだ。

オリジナルソース

タイトル: SPAIC: A sub-$\mu$W/Channel, 16-Channel General-Purpose Event-Based Analog Front-End with Dual-Mode Encoders

概要: Low-power event-based analog front-ends (AFE) are a crucial component required to build efficient end-to-end neuromorphic processing systems for edge computing. Although several neuromorphic chips have been developed for implementing spiking neural networks (SNNs) and solving a wide range of sensory processing tasks, there are only a few general-purpose analog front-end devices that can be used to convert analog sensory signals into spikes and interfaced to neuromorphic processors. In this work, we present a novel, highly configurable analog front-end chip, denoted as SPAIC (signal-to-spike converter for analog AI computation), that offers a general-purpose dual-mode analog signal-to-spike encoding with delta modulation and pulse frequency modulation, with tunable frequency bands. The ASIC is designed in a 180 nm process. It supports and encodes a wide variety of signals spanning 4 orders of magnitude in frequency, and provides an event-based output that is compatible with existing neuromorphic processors. We validated the ASIC for its functions and present initial silicon measurement results characterizing the basic building blocks of the chip.

著者: Shyam Narayanan, Matteo Cartiglia, Arianna Rubino, Charles Lego, Charlotte Frenkel, Giacomo Indiveri

最終更新: 2023-08-31 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2309.03221

ソースPDF: https://arxiv.org/pdf/2309.03221

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。

著者たちからもっと読む

ニューラル・コンピューティングと進化コンピューティングVSAを使った神経形態コンピューティングの進展

新しい手法は、効率的なニューラルネットワークプログラミングのためにベクターシンボリックアーキテクチャを活用している。

― 1 分で読む

類似の記事