מבוא: AI Meets High-Performance Analog-to-Digital Conversion

הממיר האנלוגי-ל-דיגיטלי (ADC) נשאר אחד אבני הבניין הקריטיים ביותר במערכות אלקטרוניות מודרניות.מתחנות בסיס אלחוטיות וציוד הדמיה רפואי לחיישנים אוטונומיים וכלי רכב תעשייתיים, ADCs חייב לספק דיוק גבוה מאוד תחת תנאי שימור סביבתיים.כפי שביצועים ממשיכים לדחוף לתוך טווח הג'יגה-הטווח הקטן-שני עם 16 סיביות או יותר, שמירה על ביצועים אמינים הפכה לקשה יותר ויותר, לאחר מכן, לאפסת, בתנאי תחזוקה תקופתית, או טמפרטורה ממושכת, או טיפולית, לאחר מכן, לאחר מכן, או טיפולית, לא סדירה, בתנאי תחזוקה, לאחר זמן קצר יותר ויותר, או טיפולית, בתנאי תחזוקה, לא סדירה, או יותר ויותר, בתנאי תחזוקה, או יותר ויותר, בתנאי תחזוקה, בתנאי תחזוקה, לאחר מכן, לאחר מכן, או טיפול ידני, או טיפול יעיל יותר ויותר, לאחר מכן, בתנאי תחזוקה, בתנאי תחזוקה, בתנאי תחזוקה, בתנאי תחזוקה, לאחר שדרישות של זמן קצר יותר ויותר, לא יעילה, לאחר מכן, בתנאי תחזוקה, בתנאי תחזוקה, בתנאי תחזוקה, בתנאי תחזוקה, בתנאי תחזוקה, לאחר מכן, לא יעילה, לאחר שדרישות של זמן קצר יותר ויותר, לא יעילה, לאחר מכן, לאחר מכן, לאחר שדרישות של זמן קצר יותר ויותר, לא סדיר

אינטליגנציה מלאכותית (AI) עכשיו צועדת לשינוי הפרדיגמה על ידי כך שהיא מאפשרת ל- ADCs למקם את עצמם ברציפות וייעל את הפרמטרים התפעוליים שלהם בזמן אמת. מאמר זה חוקר את הטכנולוגיות שהופכות את AI-enhanced caliation ו- self-optimization אפשרי, בוחן את היתרונות קונקרטיים שהם מספקים, ומספק תצוגה מקדימה של האתגרים והחדשנות כי שוכב קדימה קדימה, הוא ממונף, על ידי AI-עולם האמיתי, כדי לעזור לאדריכלים, כדי לסייע לאדריכלים מתקדמים, כדי לסייע לאדריכלים מתקדמים, כדי להבין את הביצועים של הטכנולוגיה הבאה, ולנהל את הטכנולוגיה הבאה, ולפתח את הטכנולוגיה, ולפתח את הטכנולוגיה, ולפתח את הטכנולוגיה של AI, כדי לעזור לאדריכלים מתקדמים, ולפתח את הביצועים של AI-עולמית, ולפתח את הטכנולוגיה של AI, ולפתח את הביצועים של AI-AI-עולם האמיתי של הטכנולוגיה, ולפתח את הטכנולוגיה, ולפתח את הביצועים של הטכנולוגיה של הטכנולוגיה, ולפתח את הטכנולוגיה הבאה, ולפתח את הביצועים של AI-AI-עולמית, כדי לעזור לאדריכלים מתקדמים, כדי לעזור לאדריכלים מתקדמים, ולפתח את הטכנולוגיה, ולפתח את הביצועים של AI- AI- AI-AI-AI- AI- AI- AI- AI-

הבנה של ADC Calibration וצורך באופטימיזציה עצמית

ADC מתרגמת מתח אנלוגי משתנה ברציפות קוד דיגיטלי דיסקרטי.כל ADC מציג לא-אידאליות כגון טעות מסט, מקבל שגיאות, חוסר לינאריות בלתי-אינטגראלית (INL), ולא ליניאריות שונה (DNL) פגמים אלה מתעוררים משינויים בתהליך בסיליקון, קוהפורציה לא מתאימה, יישב פגמים במערךיפיטורים, ורווחים בין-ה-החלים בתבניות תיקון דיגיטליות (או החלות) או תיקון התאמות).

(FLT:0) גישות קליברציה של ⁇ 1 (FLT:0) כוללות כיבוד משטח, שבו ADC נלקח לא מקוון ואת אות ההתייחסות ידועה מוחל על מנת לחלץ מזהמים שגיאות, ו caliation רקע, אשר מבצע את אותה החילוץ בעוד ADC ממשיך לפעול על נתונים חיים באמצעות שיטות סטטיסטיות (למשל, פיצול-ADC או קידוד רקע, בעוד הם לעתים קרובות להקלידחות את אותות הלחץ המהירים).

המושג של ההרחבה יעילה:0) עצמו-אופטימיזציה של LT:1 [ה] מרחיב את ה calibration מעבר רק לתיקון שגיאות סטטיות. ADC יכול להתאים באופן דינמי את זרמי ההטיה שלו, תזמון השעון, סף ההשוואה, ואת רמות ההתייחסות כדי להישאר באופן קבוע בשיא של המעטפה הביצועית שלו - אפילו כתנאי מתפתל.

טכניקות בינה מלאכותית מניעות את הדור החדש של ADC Calibration

מערכות מחשוב AI מודרניות משתמשות באדריכלות למידה מכונה אחת או יותר כדי לעצב את ההתנהגות של ADC ואת תיקון אופטימלי compute. בחירת האלגוריתם תלויה במשאבים חישוביים הזמינים, את מהירות ההתכנסות הנדרשת, ואם המערכת פועלת בשטח או רקע.

למידה על טעויות

במערכות אבטיפוס רבות, ADC מאופיין במלואו נמדד לראשונה בטמפרטורה, מתח אספקה, ותדירות קלט גורפת.מפות שגיאה המתקבלות משמשות להכשיר רשת עצבית בפיקוח - בדרך כלל רשת ניזינה עם שתי שכבות מוסתרות - כדי לחזות את הקוד הדיגיטלי התיקון לכל מצב תפעולי. במהלך פריסה, הרשת מקבלת נתונים בזמן אמת (טמפרטורה, VDD, שעון ג'ייטר) ופלט של מנגנוני הפחתת יעילות אלה ניתן לאסוף נתונים חדשים ו- 10.

למידה בלתי מבוקרת לרקע

כאשר ADC חייב לגוון את עצמו ללא התייחסות חיצונית או הפרעה, למידה בלתי מבוקרת הופכת חיונית. Autoencoders ו רשתות ניווניות יריבות (גנים) הוצעו לזהות אנומליות בפלט המצביע על סחף.לדוגמה, נוגדנים וריאציות לאוטומטיים על התפוקה הרגילה של ADC יכול לייצר שחזור ערך זה אותות לינאריות בקטאז', במיוחד כאשר הסימון הוא יכול למזער את השבבים השונים של השגיאה של ה-Divation.

גישה קשורה משתמשת (FLT:0) online מקבץ 1 של תבניות INL. על ידי גיבוש של חתימות עיוותים דומים, המערכת יכולה ליישם וקטור תיקון מראש ללא הגבלת כל המודל.זה יעיל זיכרון ומהיר מספיק עבור אמצע המהירות ADCs (עד כמה מאות MSPS) פועל על מעבדים משובצים קטנים.

Reinforcement Learning for Dynamic Parameter Tuning

עבור ADCs שפועלת בסביבות בלתי צפויות - כגון avionics קריטי משימות או חיישני חלל עמוק - כוח למידה (RL) מציעה מסגרת עוצמתית. ADC פועל כסוכן, והתגמול המיידי הוא פונקציה הנגזרת מפלט SNDR או שיעור טרור קצר-טרור (בקיצור: אלגוריתם) על ידי ניסיון זרמי הטיה או מעצבי החלטות קופרטור, סוכן ה-RL לומד מדיניות שממקסימה בדרך כלל את הפרמטרים של זמן קצר-ממים של פרמטרים.

למידה עמוקה ו-Nural ADCs

מגמה מתפתחת היא ה-ADCneural ADCearFLT:1, שבו המרה עצמה מבוצעת חלקית על ידי רשת עצבית.במקום מערך קומפוטור מסורתי, האות האנלוגי הוא preמעבד על ידי חזית אנלוגית שניתן לרכבת, ואת ה-Credit הדיגיטלית משתמשת ברשת עמוקה כדי לשחזר את הערך הבזקי באופן קבוע במערכת כזו הופכת לחומר של מערכת אימונים של רשת אנלוגיה (אוסטרומנטציה) באופן טבעי, בעוד שעדיין לא- 1DV) עם סיליקון-DV סיליקון, באופן טבעי, באופן טבעי, או סיליקון, באופן טבעי, הוא מסוגל להשיג את ה-DV סיליקון, באופן טבעי, באופן טבעי, עם סיליקון, עם סיליקון, באופן טבעי, עם סיליקון, באופן טבעי, עם סיליקון, עם סיליקון, באופן טבעי, עם סיליקון, עם סיליקון, באופן טבעי, עם סיליקון, עם סיליקון, עם סיליקון, באופן טבעי, עם סיליקון עמוק, עם סיליקון עמוק, עם רמה אחת של רמה אחת של רמה אחת של סיליקון, באופן טבעי, באופן טבעי, באופן טבעי, עם סיליקון, עם סיליקון, עם סיליקון של סיליקון, הוא מסוגל להשיג את הערך ה- 1 סיליקון של חומר קבוע

יישום מעשי ו- Edge AI Trade-offs

בהפצה של AI-enhanced calibration במוצר ADC אמיתי דורש שיקול זהיר של כוח, אזור, ו latency. in high-speed data Converters for 5G Base תחנות, מנוע ה calibration חייב לפעול ברקע ללא כל השפעה על דרך לוח ועם כוח מעל פחות מ-5%.

(FLT:0) מאיצים AI של מאיץ את MCIRLT:1 , כגון מעבדי ההחלטות העצביים של Syntiant או מערךים סינתיים מותאם אישית ייעודיים הופכים נפוצים ב- MCICs מעורבים. אלה מאיצים אלה לרוץ נקודות קבועות עם 8 סיביות או אפילו משקולות 4 סיביות, תוך אספקת עדכונים בזמן אמתיים כל מיקרו השני, אך לעתים קרובות מבוצעת על ידי פיתוח מערכת הפעלה לא מקוון, אך ורק על ידי שימוש ב-תועלת, אך ורק על ידי מספר העדכונים הקטנים, אך ורק על ידי עיבוד Qcom, הוא רלוונטי, הוא מסוגל ליישם את אותה מערכת הפעלה, אך ורק על ידי שימוש ב-ה, אך ורק על ידי מספר העדכונים של מספר העדכונים של מספר העדכונים של פעולות מקודמתיקים, אך ורק על ידי שימוש ב-תועלת, אך ורק על ידי מספר העדכונים של מספר .

שיקול חשוב נוסף הוא האבטחה של אלגוריתמים AI.התקפות עו"ד יכולות להזריק באופן תיאורטי את ההפוכות הקטנות לתוך מתח ההתייחסות של ADC או השעון כדי להטעות את הרשת העצבית לתיקון שגוי, לבצע ניתוק ביצועים.כדי להפחית את זה, מעצבי חומרה משלבים זיהוי אקראי על קלטי החיישן ושימוש בשיטות הרכב (ריצה של שתי רשתות קטנות או שלוש בעת הצבעה ותיקון).

יתרונות אמיתיים ושימוש במקרים

המעבר מ ⁇ המונעת על ידי AI כבר מספק שיפורים מוחשיים על פני כמה תעשיות:

  • (ב) ⁇ :0) ⁇ (במערכות אנטנה מסיביות של MIMO, מאות ADCs חייב להישאר מתואמת בזמן אמת כדי לשמר דיוק מגובש.
  • (FLT:0Medical הדמיה: FLT:1 , CT ומערכות MRI מסתמכים על ADCs ברזולוציה גבוהה שפועל בנוכחות שדות מגנטיים חזקים ועומסי RF שונים.עצמים-אופטימיים עם בקרים של RL יכולים להתאים לטעינה ספציפית לחולה תחת שנייה אחת, שיפור יחס אות-לא-מזה על ידי 3–5B בהשוואה למערכות קונבנציונליות.
  • (FLT:0) מרחב והגנה: Radar ADCs במכוניות היפרוזיות ניסיון בתנודות טמפרטורה מהירה ודרטט.מודלים למידה לא מבוקרים שאומנו במהלך תקופת חימום לפני טיסה יכולים לחזות את הפרמטרים הקליברציה הדרושים לפרופיל המשימה, ולאחר מכן להסתגל ברציפות.
  • (FLT:0)Industrial IoT:FLT:1 כוח נמוך ADCs ב חיישן נודות ניטור בריאות מבני יכול להאריך את חיי הסוללה ב-20% על ידי צמצום כוח השידור הנדרש כדי לפצות על איכות אות ירודה - הודות להגשמה עצמית בזמן אמת, אשר שומרת על ADC פועל בנקודה הלינימית הטובה ביותר שלה.

אתגרים בדרך Ahead

למרות התוצאות המבטיחות, יש להתגבר על כמה מכשולים לפני ה- AI-enhanced calibration הופך להיות ubiquitous.החלק המיידי ביותר הוא FLT:0 ,0 מתודולוגיות אימות סטנדרטיות FLT:1 ânbnbing ADC test מפרטים (למשל, IEEE 1241) נכתב עבור פרמטרים סטטיים או לאט לאט לאט לאט לאט לאט לאט לאט.

דאגה נוספת היא (FLT:0) אמינות לאורך החיים של LT:1 (מודל AI המאומנים על נתונים מסיליקון מוקדם בחיים לא יכול להופיע היטב לאחר שנים של רכיבה תרמית ואלקטרומיזציה.האימון באינטרנט הוא פתרון אחד, אבל זה דורש ניהול נתונים זהיר כדי למנוע שכחה קטסטרופלית.חוקרים בודקים גישות היברידיות שבו מודל ארוך טווח ארוך טווח מספק בסיס יציב בעוד מודל קצר הסתגלות קצר טיפול סחף מיידי.

הנטל הכולל:0 (FLT:0) של AI על AI על אולטרה-נמוך ADCs (sub-10 μW) נשאר מפגין עבור יישומים כמו מכשירים רפואיים מושתלים.חדשים מקיפים ארכיטקטורות רשת עצבית אנלוגית compute-in-memory מאקרו מפותחים כדי להפחית את האנרגיה ביחס לעשרות של פיקוקול, אבל אלה עדיין הפגנות מעבדה.

לבסוף, הסיכונים של ההרחבה:0cybersecurity מס' 1 (הזכירים קודם לכן לא ניתן להגזים: צומת זדוני שמשחית את חיישן הטמפרטורה האכלה ברשת העצבית עלולה לגרום ל- ADC ליישם תיקונים לא נכונים, שעלול לגרום לכישלון במערכת.

כיוונים עתידיים: מעבר לקליברציה למודעות עצמית מלאה

[הופנה מהדף בין קליברציה והתאמה ברמת המערכת ימשיך לטשטש. ADCs לא רק לתקן את אי-הידיות שלהם אלא גם להגדיר מחדש את הארכיטקטורה שלהם - לדוגמה, מעבר בין מצב מהיר 6 סיביות לבין מצב מדויק 14 סיביות מבוסס על ניתוח בזמן אמת של רוחב הפס של האות ונדרש SNR.

רעיון מתפתח נוסף הוא התאום הדו-ממדי של ה-ADCFLT ( 1:1) – מודל סימולציה נאמנות גבוה שפועל על הקצה לצד סיליקון בפועל.התאום, המתעדכן מעת לעת על ידי מנוע AI, יכול לרוץ "מה אם" כדי לחזות את הפרמטרים האופטימליים של חיפוי סביבתי, המאפשרת התאמות טרום-מסוגליות ולא התאמות ראקטיביות של נתונים שלמים כדי להעלות את המודל לענן.

בטווח הארוך יותר (5-10 שנים), מאיצים אנלוגיים המוטבעים ישירות בלב האנלוגי של ADC עשויים לבצע קיליברציה ללא כל רכיבים דיגיטליים. mmristor מבוסס צלבים ומעגלים תואמים מטען המטען כבר בשימוש אבטיפוסי מחקר כדי להתאים מתחים ההתייחסות וניתוק מחלחלים עם אפס דיגיטציה מעל לטכניקות בוגרות אלה, הכוח והעלויות של חיישן AI אפילו לא יכול להיות קרוב ל-Avance.

מסקנה

AI-enhanced calibration ו- self-optimization מייצגים שינוי יסודי כיצד אנו מעצבים ופרוסים ממירים אנלוגיים-לדיגיטליים. על ידי מעבר לתיקון קבוע, חד פעמי להתאמה רציפה, חכמה, מערכות אלה משיגות רמות של דיוק, אמינות ויעילות אנרגיה כי הם בלתי אפשריים עם שיטות קלאסיות.ההתקדמות כרוכה בפתרון אתגרים מעשיים הקשורים לאימות, אבטחה, כוח, אבל טכנולוגיות המבוססות על-ידי למידה, כמו גם מתודולוגית, לא יכולות, כמו גם מתודולוגיות, כמו גם מתודולוגיות, כמו מתודולוגיות, כמו גם מתודולוגיות, מתודולוגיות למידה עצמית, מתודולוגיות, מתודולוגיות, מתודולוגיות, מתודולוגיות, קומפקטיות, קומפקטיות, קומפקטיות, מתודולוגיות, מתודולוגיות, , מתודולוגיות, מתודולוגיות, מתודולוגיות למידה מתודולוגיות למידה עצמית, , חסכוניות, , , קומפקטיות למידה עצמית , אבל קומפקטיות, קומפקטיות, מתודולוגיות, מתודולוגיות למידה עצמית, אבל קומפקטיות למידה עצמית, אבל קומפקטיות למידה עצמית מתודולוגיות, קומפקטיות למידה עצמית קומפקטיות למידה עצמית קומפקטיות, לא