Будущее искусственного интеллекта для калибровки и самооптимизации в системах ADC

Технологии ИИ, управляющие новым поколением калибровки ADC

Современные системы калибровки с улучшенным ИИ используют одну или несколько архитектур машинного обучения для моделирования поведения ADC и вычисления оптимальных поправок. Выбор алгоритма зависит от доступных вычислительных ресурсов, скорости требуемой конвергенции и от того, работает ли система в режиме переднего плана или фонового режима.

Надзорное обучение для моделирования ошибок

Во многих прототипных системах полностью охарактеризованный ADC сначала измеряется по температуре, напряжению питания и частоте ввода. Полученные карты ошибок используются для обучения контролируемой нейронной сети — чаще всего сети с двумя или тремя скрытыми слоями — для прогнозирования цифрового кода коррекции для любого рабочего состояния. Во время развертывания сеть получает данные датчика в реальном времени (температура, VDD, оценки джиттера часов) и выдает оптимальные калибровочные коэффициенты. Этот подход хорошо работает, когда механизмы деградации хорошо понятны и данные обучения могут быть собраны заранее. Ссылки в IEEE Транзакции на схемах и системах показывают, что такие сети могут уменьшить INL более чем на 10 × по сравнению с фиксированными таблицами калибровки.

Неконтролируемое обучение для фоновой калибровки

Когда ADC должен калибровать себя без какой-либо внешней ссылки или прерывания, неконтролируемое обучение становится необходимым. Автокодеры и генеративные состязательные сети (GAN) были предложены для обнаружения аномалий в выходной гистограмме, которые указывают на дрейф. Например, вариационный автокодер, обученный нормальному выходному распределению ADC, может производить ошибку реконструкции, которая сигнализирует о падении линейности. Контроллер может затем настроить калибровочные DAC, чтобы минимизировать эту ошибку. Этот метод особенно ценен в производстве большого объема, где каждый чип может иметь немного разные смещения, которые изменяются со временем, потому что он устраняет необходимость в характеристике для каждого устройства.

Связанный подход использует онлайн кластеризацию паттернов INL. Сгруппировав аналогичные сигнатуры искажений, система может применять заранее вычисленный вектор коррекции без переподготовки всей модели. Это эффективно и достаточно быстро для среднескоростных ADC (до нескольких сотен MSPS), работающих на небольших встроенных процессорах.

Усиление обучения для динамической настройки параметров

Для ADC, которые работают в непредсказуемых средах, таких как критически важная авионика или датчики глубокого пространства, обучение усилению (RL) предлагает мощную структуру. ADC действует как агент, и немедленное вознаграждение является функцией, полученной из выходного SNDR или частоты битовых ошибок. Путем пробования различных токов смещения или порогов принятия решений компаратором, агент RL изучает политику, которая максимизирует долгосрочное кумулятивное вознаграждение. Поскольку RL может исследовать пространство параметров на лету, он может обнаружить оптимальные настройки, которые будут пропущены традиционными аналоговыми дизайнерами. Реализация обычно требует сопроцессора, работающего с легким алгоритмом RL, таким как Soft Actor-Critic (SAC) или Deep Q-Network (DQN) с обучением с учетом квантования. Как отмечают исследователи в Аналоговые устройства , время конвергенции для самооптимизации на основе RL в настоящее время составляет порядка секунд до минут, что приемлемо для многих промышленных приложений.

Глубокое обучение и нейронные ADC

Возникает тенденция нейронного ADC, где само преобразование частично выполняется нейронной сетью. Вместо традиционного компаратора массив, аналоговый сигнал предварительно обрабатывается поддающимся обучению аналоговым фронтендом, а цифровой бэкэнд использует глубокую сеть для реконструкции оцифрованного значения. Калибровка в такой системе становится вопросом обучения сетевых весов — либо в петле, либо в автономном режиме. Пока еще в значительной степени экспериментальные, первые прототипы кремния из университетских лабораторий демонстрируют, что нейронные ADC могут достигать высокого разрешения (12 бит при 1 GSPS) с долей мощности обычных вспышек или трубопроводных ADC. Самооптимизация присуща: поскольку сеть постоянно обновляется через стохастический градиентный спуск, она естественным образом компенсирует дрейф.

Практические реализации и Edge AI компромиссы

Развертывание калибровки с использованием ИИ в реальном продукте ADC требует тщательного рассмотрения мощности, площади и задержки. В высокоскоростных преобразователях данных для базовых станций 5G калибровочный двигатель должен работать в фоновом режиме без какого-либо влияния на пропускную способность и с накладными расходами мощности менее 5%. Это заставляет дизайнеров использовать высоко оптимизированные цифровые схемы - часто легкую нейронную сеть, реализованную в нескольких тысячах логических вентилей - а не процессор общего назначения, работающий под управлением TensorFlow.

Крайние ускорители ИИ, такие как нейронные процессоры принятия решений Syntiant или выделенные пользовательские систолические массивы, становятся обычными в ASIC со смешанными сигналами. Эти ускорители запускают фиксированный вывод с 8-битным или даже 4-битным весом, потребляя менее 1 мВт при доставке обновлений в реальном времени каждую микросекунду. Обучение, однако, выполняется в автономном режиме на сервере; встроенная система применяется только вывод. Для агентов обучения с подкреплением тот же ускоритель может выполнять небольшое количество операций с множественным накоплением, необходимых для обновления Q-значений, но политика исследования часто рандомизируется в программном обеспечении на хосте MCU.

Еще одним важным соображением является безопасность алгоритмов ИИ. Противостоящие атаки теоретически могут вводить небольшие возмущения в опорное напряжение или часы ADC, чтобы обмануть нейронную сеть, применяя неправильную коррекцию, ухудшая производительность. Для смягчения этого, аппаратные дизайнеры интегрируют обнаружение аномалий на входах датчиков и используют методы ансамбля (запуская две или три небольшие сети параллельно и голосуя за коррекцию). В белой книге Texas Instruments о безопасной калибровке описывается передовая практика, такая как шифрование сетевых весов, хранящихся в памяти на чипе, и использование уникального идентификатора чипа для предотвращения кражи модели или повторного воспроизведения.

• Телекоммуникации: В массивных антенных системах MIMO сотни ADC должны оставаться сопоставленными с коэффициентом усиления в режиме реального времени для сохранения точности формирования луча. Калибровка на основе ИИ поддерживает когерентность фаз в пределах 0,5° в диапазоне температур 100°C, устраняя дорогостоящую ручную настройку во время развертывания. Это было продемонстрировано радиоблоками AirScale Nokia.
• Медицинская визуализация: Системы КТ и МРТ полагаются на АЦП высокого разрешения, которые работают в присутствии сильных магнитных полей и переменных нагрузок РЧ. Самооптимизирующиеся АЦП с контроллерами RL могут адаптироваться к специфической нагрузке пациента за одну секунду, улучшая соотношение сигнал-шум изображения на 3-5 дБ по сравнению с обычными системами.
• Аэрокосмические и оборонные: Радарные АЦП в гиперзвуковых аппаратах испытывают быстрые колебания температуры и вибрации. Неконтролируемые модели обучения, обученные в период предполетной разминки, могут прогнозировать параметры калибровки, необходимые для профиля миссии, затем непрерывно корректировать. Результатом является более надежный диапазон обнаружения цели.
• Промышленные IoT: Низкоэнергетические АЦП в сенсорных узлах для структурного мониторинга здоровья могут продлить срок службы батареи на 20% за счет снижения мощности передачи, необходимой для компенсации низкого качества сигнала, благодаря самооптимизации в реальном времени, которая удерживает АЦП в лучшей точке линейности.

Проблемы на дороге впереди

Несмотря на многообещающие результаты, необходимо преодолеть несколько препятствий, прежде чем калибровка с улучшенным AI станет повсеместной. Наиболее непосредственным является отсутствие стандартизированных методологий проверки. Существующие спецификации испытаний ADC (например, IEEE Std 1241) были написаны для статических или медленно меняющихся параметров. Они не учитывают изменяющееся во времени поведение, введенное адаптивным двигателем AI. Новый стандарт - или, по крайней мере, набор отраслевых метрик - необходим для характеристики стабильности, скорости конвергенции и надежности ADC, управляемых AI.

Другая проблема заключается в надежности в течение жизни. Модель ИИ, обученная на данных из кремния раннего возраста, может не работать хорошо после многих лет теплового цикла и электромиграции. Онлайн-переподготовка является одним из решений, но она требует тщательного управления данными, чтобы избежать катастрофического забывания. Исследователи изучают гибридные подходы, где долгосрочная усредненная модель обеспечивает стабильный базовый уровень, в то время как краткосрочная адаптивная модель справляется с немедленным дрейфом.

Вычислительная нагрузка ИИ на сверхнизкомощные ADC (суб-10 мкВт) остается показательной для таких приложений, как имплантируемые медицинские устройства. Разрабатываются новые шипирующие архитектуры нейронных сетей и аналоговые макросы вычислений в памяти для снижения энергии на вывод до десятков пикожоулей, но это все еще лабораторные демонстрации.

Наконец, упомянутые выше риски кибербезопасности не могут быть переоценены. Вредоносный узел, который повреждает датчик температуры, питающий нейронную сеть, может привести к тому, что ADC будет применять неправильные исправления, потенциально вызывая сбой системы. Аппаратные корневые и безопасные анклавы для ускорителя ИИ необходимы в критически важных для безопасности развертываниях.