ST的目标：将DSP、AI 和 MEMS传感器集成在同一硅片上
为了推动微机电系统(MEMS)的创新，意法半导体推出了一款集信号处理、人工智能和MEMS传感器于一体的节能系统。
通过集成机械和电气功能，MEMS技术结合了微型化机电组件，例如微型传感器和微型致动器。
这些器件通常使用多种工业工艺制造，包括大规模集成(VLSI)技术、微加工、IC工艺序列等。
MEMS传感器的一个例子
最近，为了不断突破MEMS技术的界限，意法半导体开发了一种MEMS传感器，该传感器将数字信号处理(DSP)和AI算法集成在同一硅片上。
在本文中，我们将探讨人工智能如何在MEMS设备中发挥作用、面临的挑战以及ST的最新版本。
人工智能如何在MEMS上扩展？
研究人员和设计人员正在夜以继日地将人工智能集成到MEMS中，以提高性能并扩展MEMS设备的用例。
考虑到这一点，新型AI-MEMS架构正在兴起。
一种这样的架构利用具有非线性动力学的谐振器来实现机械领域的机器学习(ML)处理。
来自舍布鲁克大学的MEMS设备示例
2018年，加拿大舍布鲁克大学的研究人员通过引入储层计算实现了一个里程碑，该计算允许MEMS振荡器进行时间序列预测和口语单词分类。
研究人员利用了硅束的非线性动力学，它在空间中以比人类头发细20倍的宽度振荡。
据说这种振荡的结果被用来构建一个虚拟神经网络，将输入信号投影到神经网络计算所需的更高维空间中。
这种AI-MEMS使用加速度计简化了机器人的机械功能，可以为机器人生成控制信号。
一般来说，制造可扩展的AI-MEMS架构可加速MEMS设备和信号处理的多功能性。
除了提供改进的性能外，它还可以消除对外部微处理器和现场可编程门阵列(FPGA)的使用。
MEMS上的人工智能面临的挑战
当遇到挑战时，MEMS设计人员在制造MEMS器件时会面临一些陷阱和设计限制。
在智能MEMS传感器中获取真实数据需要使用更高分辨率的模数转换器。因此，10位分辨率的模数转换器可能对健康监测等特定应用没有帮助。
此外，在处理数据以进行数据传输时，有限的带宽可能会带来挑战并截断数据处理。
设计人员在制造集成ML算法的最先进的MEMS传感器时也面临挑战。
采用支持向量机(SVM)等分类算法的MEMS传感器需要大内存来存储大量现实生活中的数据集。
尽管将AI和ML整合到MEMS设备中存在挑战，但ST希望让它变得更容易。
智能传感器处理单元满足MEMS传感器
为了克服与在MEMS上制造AI相关的所有潜在挑战，ST推出了智能传感器处理单元(ISPU)，它将DSP与IC上的MEMS传感器集成在一起。
可编程DSP具有单周期16位乘法器，可以通过16位可变长度指令轻松操作。它还包括一个全精度浮点单元。
ST的ISPU概述
ISPU促进了量化AI传感器中的全到单位精度神经网络。
借助在DSP上运行的AI算法，ISPU通过分析惯性数据来提高活动识别和异常检测任务的准确性和效率。
此外，ISPU支持边缘AI计算，允许使用AI商业模型开发MEMS传感器算法，同时最大限度地提高超低功耗。
ST还声称，该产品有望将功率降低多达80%，同时减小系统级封装设备的尺寸。
意法半导体MEMS子集团执行副总裁AndreaOnetti在谈到该产品时表示，新时代——“OnlifeEra”——旨在通过减少数据传输来推进传感器功能以加快决策速度，并通过保存数据来增强隐私本地化，同时减小尺寸和功耗，从而降低成本。
总而言之，在实现最大隐私的同时，OnlifeEra旨在引入能够感知现实生活数据、处理复杂AI算法并采取智能实时行动的MEMS设备。
通过集成机械和电气功能，MEMS技术结合了微型化机电组件，例如微型传感器和微型致动器。
这些器件通常使用多种工业工艺制造，包括大规模集成(VLSI)技术、微加工、IC工艺序列等。
MEMS传感器的一个例子
最近，为了不断突破MEMS技术的界限，意法半导体开发了一种MEMS传感器，该传感器将数字信号处理(DSP)和AI算法集成在同一硅片上。
在本文中，我们将探讨人工智能如何在MEMS设备中发挥作用、面临的挑战以及ST的最新版本。
人工智能如何在MEMS上扩展？
研究人员和设计人员正在夜以继日地将人工智能集成到MEMS中，以提高性能并扩展MEMS设备的用例。
考虑到这一点，新型AI-MEMS架构正在兴起。
一种这样的架构利用具有非线性动力学的谐振器来实现机械领域的机器学习(ML)处理。
来自舍布鲁克大学的MEMS设备示例
2018年，加拿大舍布鲁克大学的研究人员通过引入储层计算实现了一个里程碑，该计算允许MEMS振荡器进行时间序列预测和口语单词分类。
研究人员利用了硅束的非线性动力学，它在空间中以比人类头发细20倍的宽度振荡。
据说这种振荡的结果被用来构建一个虚拟神经网络，将输入信号投影到神经网络计算所需的更高维空间中。
这种AI-MEMS使用加速度计简化了机器人的机械功能，可以为机器人生成控制信号。
一般来说，制造可扩展的AI-MEMS架构可加速MEMS设备和信号处理的多功能性。
除了提供改进的性能外，它还可以消除对外部微处理器和现场可编程门阵列(FPGA)的使用。
MEMS上的人工智能面临的挑战
当遇到挑战时，MEMS设计人员在制造MEMS器件时会面临一些陷阱和设计限制。
在智能MEMS传感器中获取真实数据需要使用更高分辨率的模数转换器。因此，10位分辨率的模数转换器可能对健康监测等特定应用没有帮助。
此外，在处理数据以进行数据传输时，有限的带宽可能会带来挑战并截断数据处理。
设计人员在制造集成ML算法的最先进的MEMS传感器时也面临挑战。
采用支持向量机(SVM)等分类算法的MEMS传感器需要大内存来存储大量现实生活中的数据集。
尽管将AI和ML整合到MEMS设备中存在挑战，但ST希望让它变得更容易。
智能传感器处理单元满足MEMS传感器
为了克服与在MEMS上制造AI相关的所有潜在挑战，ST推出了智能传感器处理单元(ISPU)，它将DSP与IC上的MEMS传感器集成在一起。
可编程DSP具有单周期16位乘法器，可以通过16位可变长度指令轻松操作。它还包括一个全精度浮点单元。
ST的ISPU概述
ISPU促进了量化AI传感器中的全到单位精度神经网络。
借助在DSP上运行的AI算法，ISPU通过分析惯性数据来提高活动识别和异常检测任务的准确性和效率。
此外，ISPU支持边缘AI计算，允许使用AI商业模型开发MEMS传感器算法，同时最大限度地提高超低功耗。
ST还声称，该产品有望将功率降低多达80%，同时减小系统级封装设备的尺寸。
意法半导体MEMS子集团执行副总裁AndreaOnetti在谈到该产品时表示，新时代——“OnlifeEra”——旨在通过减少数据传输来推进传感器功能以加快决策速度，并通过保存数据来增强隐私本地化，同时减小尺寸和功耗，从而降低成本。
总而言之，在实现最大隐私的同时，OnlifeEra旨在引入能够感知现实生活数据、处理复杂AI算法并采取智能实时行动的MEMS设备。
将本文加入收藏夹
新闻详情
