Влияние выбора фильтров на энергопотребление мобильных устройств обработки сигналов

Цифровые фильтры и энергетический бюджет мобильных устройств

Каждый мобильный телефон, беспроводная гарнитура и датчик IoT полагается на обработку сигналов для преобразования необработанных данных в полезную информацию. Цифровые фильтры являются рабочими лошадками, которые удаляют шум, отдельные полосы частот и готовят сигналы для декодирования или анализа. Однако эти алгоритмы также потребляют драгоценную энергию батареи. Выбор дизайна фильтра - тип, порядок, точность и архитектура - непосредственно контролирует потребляемую мощность цепи обработки мобильных сигналов. В этой статье рассматривается, как инженеры могут сделать обоснованные компромиссы для снижения потребления энергии без ущерба для производительности, и обеспечивает действенные стратегии для проектирования энергоэффективных фильтров.

Почему важна мощность при обработке мобильных сигналов

Время автономной работы является единственным наиболее важным показателем для портативных устройств, ориентированных на пользователя. Каждый миллиампер-час, используемый для вычислений, на один менее доступен для отображения, подключения или ожидания. В современных системах на чипе (SoC) подсистема обработки сигналов часто составляет 20-40% активного энергопотребления во время задач связи. Фильтры выполняются много тысяч раз в секунду, поэтому даже небольшая экономия на операции накапливается резко. Снижение мощности фильтра может продлить время вызова на минуты, обеспечить более длительную работу сенсорного узла или позволить меньшие батареи в носимых устройствах.

Основы энергопотребления в цифровых фильтрах

Мощность, потребляемая цифровым фильтром, может быть разбита на три основных компонента: динамическая мощность от коммутирующих транзисторов, статическая мощность утечки и мощность доступа к памяти. Динамическая мощность пропорциональна продукту емкости, напряжения и частоты (P = C × V2 × f). Для данного технологического узла снижение количества арифметических операций (множественно-накопленных или MAC) и снижение рабочей частоты являются наиболее эффективными способами сокращения динамической мощности. Мощность утечки зависит от количества транзисторов и геометрии процесса; более простые фильтры с меньшим количеством затворов имеют меньшую утечку. Доступы к памяти, особенно для коэффициентов хранения и буферов данных, могут доминировать над мощностью в глубоко трубопроводных фильтрах.

Выбор фильтров и их силовые последствия

Тип фильтра: FIR vs. IIR

Фильтры с конечным импульсным откликом (FIR) стабильны, линейно-фазны и просты в реализации с помощью простого оборудования. Однако они обычно требуют высокого порядка фильтра для удовлетворения резких переходных полос, что приводит к множеству операций MAC на образец. ФИР-фильтр порядка N выполняет умножения N+1 и добавления N на выход. Это вычислительное бремя напрямую приводит к увеличению динамической мощности. Фильтры с бесконечным импульсным откликом (IIR) достигают аналогичных частотных откликов с 5-10-кратным меньшим коэффициентом, потому что они используют обратную связь. Компромиссом является потенциальная нестабильность и нелинейная фаза, которая может быть проблематичной в таких приложениях, как выравнивание, где задержка группы должна быть однородной. Для конструкций с ограниченным энергопотреблением, где линейность фазы не является критической, фильтры IIR часто обеспечивают 40-70% снижение количества MAC по сравнению с эквивалентными фильтрами FIR, что дает значительную экономию мощности.

Фильтр Порядок и переходная полоса пропускания

Требуемый порядок фильтрации обратно пропорционален полосе пропускания перехода, нормализованной частотой отбора проб. Фильтру, который должен переходить от полосы пропускания к полосе остановки более 5% скорости отбора проб, потребуется примерно в 3-4 раза больше кранов, чем одному с шириной перехода 20%. Для фильтров FIR каждый дополнительный кран добавляет один MAC на выход. Инженеры могут уменьшить мощность, ослабляя спецификацию полосы пропускания перехода, где это возможно, или используя многоступенчатое децимирование для эффективного увеличения ширины переходов. Для фильтров IIR порядок менее чувствителен к ширине перехода, но секции IIR более высокого порядка также увеличивают мощность из-за большего количества путей обратной связи и потенциальных операций масштабирования, чтобы избежать переполнения.

Коэффициент точности и квантирования

Использование низкоточной арифметики (например, 8-битная или 12-битная фиксированная точка вместо 16-битной или 24-битной) уменьшает ширину добавителей и множителей, снижая как динамическую, так и статическую мощность. Мультипликатор, работающий на 8-битных входах, может быть на 60% меньше и потреблять на 50% меньше энергии за операцию, чем 16-битная версия. Однако квантование коэффициента вводит разрыв полосы пропускания и деградацию остановки полосы. Дизайнер должен найти минимальную длину слова, которая все еще соответствует маске частотного отклика. Методы оптимизации коэффициента, такие как округление до подписанных полномочий двух (CSPT) или использование заточенных структур FIR, могут дополнительно снизить сложность аппаратного обеспечения при сохранении точности.

Структура фильтра: прямая, переложенная, решетка и полифаза

Структура реализации цифрового фильтра влияет как на вычислительную нагрузку, так и на мощность памяти. Прямые формы I и II являются общими, но требуют хранения старых входов и выходов, что может быть дорогостоящим с точки зрения мощности регистра. Перенесенная прямая форма перемещает элементы задержки для уменьшения глубины трубопровода и количества регистров, часто снижая мощность в высокопроизводительных конструкциях. Решетки и лестничные структуры предлагают меньшую чувствительность к квантованию коэффициента, но обычно используют больше умножений. Полифазное разложение разделяет фильтр на параллельные фазы, позволяя децимировать или интерполировать без избыточных вычислений. Это особенно энергоэффективно для многократных систем, таких как в сотовой связи, где полифазные фильтры могут снизить общую скорость MAC по коэффициенту децимации.

Hardware Target: Dedicated vs. Programmable (англ.) (недоступная ссылка).

Внедрение фильтров на ЦП общего назначения или GPU использует значительно больше мощности на МАС, чем выделенный цифровой сигнальный процессор (DSP) или проводной ускоритель. Пользовательский ASIC-фильтр может достигать энергоэффективности 1-2 pJ на МАС при 28 нм, тогда как реализация на базе ЦП может потреблять 10-20 pJ на МАС. Для мобильных SoCs лучший подход часто является гибридным: использовать выделенный аппаратный фильтр для критических путей (например, выравнивание каналов в модемах LTE) и программируемый DSP для менее частых операций. Выбор также влияет на иерархию памяти: выделенные ускорители могут использовать небольшие локальные буферы SRAM, которые потребляют меньше энергии, чем основная системная память.

Продвинутые стратегии для энергоэффективного дизайна фильтров

Многократные методы: децимация и интерполяция

Обработка сигнала с наибольшей частотой выборки увеличивает количество МАС в секунду. При использовании децимации (даунсэмплирования) перед фильтрацией фильтр работает на более низкой тактовой частоте, пропорционально снижая динамическую мощность. Например, если широкополосный сигнал отбирается на частоте 30 МГц, но соответствующая полоса пропускания составляет всего 1 МГц, децимирование на 15 перед применением резкого фильтра снижает частоту МАС фильтра на 93%. Следует соблюдать осторожность, чтобы избежать псевдонимирования с антисглаживающим префильтром, но сам префильтр может быть IIR более низкого порядка или каскадным интеграторным фильтром (CIC) с очень низким энергопотреблением.

Примерные вычисления и пониженная точность

Во многих мобильных приложениях не требуется совершенная точность цифр. Голосовые и звуковые сигналы могут выдерживать несколько дБ ошибки квантования; данные датчика часто имеют присущий шум, маскирующий небольшие арифметические ошибки. Приближённые вычислительные методы намеренно вводят контролируемые ошибки для уменьшения сложности аппаратных средств. Примеры включают усечение наименее значимых битов частичных продуктов в множителях, использование логарифмических систем счисления или использование стохастических вычислений. Такие методы могут сократить мощность фильтра на 30-50% с незначительным влиянием на качество восприятия. Тщательный анализ на уровне системы и распределение бюджета ошибок необходимы для обеспечения того, чтобы приближение не ухудшало общее отношение сигнал-шум за пределами спецификаций.

Алгоритмические преобразования: быстрая свертка и фильтрация частотных доменов

Для очень длинных фильтров (тысячи кранов) прямая свёртка домена времени становится крайне неэффективной. Методы перекрытия-добавления или перекрытия-сохранения с использованием Fast Fourier Transform (FFT) преобразуют свёртку в элементное умножение в частотной области, уменьшая сложность от O(N2) до O(N log N). Это может снизить общее количество MAC на порядки для фильтров с длиной выше 64 кранов. Компромиссом является повышенная задержка и память для буферизации, но для нереальных или задерживающих приложений (например, анализ сигналов в автономном режиме в носимых устройствах), экономия энергии существенна.

Адаптивная фильтрация с обновлениями Power-Aware

Адаптивные фильтры, такие как используемые для эхо-отмены или выравнивания каналов, постоянно обновляют свои коэффициенты. Алгоритм обновления (например, LMS, RLS) сам потребляет мощность. Такие методы, как блок-адаптивная фильтрация (обновление коэффициентов каждые несколько образцов) или методы частичного обновления могут снизить мощность обновления на 80% при сохранении скорости конвергенции. Кроме того, измерение мощности может отключить двигатель адаптации, когда канал статичен, или когда мощность сигнала очень низкая, дополнительно экономя энергию.

Оптимизация уровня оборудования: забивание часов и масштабирование напряжения

Современные конструкции фильтров в ASIC или FPGA могут использовать тактовое затворничество для отключения неиспользуемых стадий множителя, особенно в многофазных или многократных структурах, где активна только одна фаза. Динамическое напряжение и частотное масштабирование (DVFS) регулирует напряжение питания и тактовую частоту на основе рабочей нагрузки. Фильтр, который требует только высокой производительности во время пиковых скоростей передачи данных, может работать при более низком напряжении в тихие периоды, уменьшая мощность квадратично (поскольку P ⁇ V2). Комбинирование DVFS с архитектурным параллелизмом (например, несколько параллельных полос фильтра) позволяет фильтру удовлетворять пиковым требованиям при работе при более низком напряжении и частоте в средних условиях.

Примеры из реального мира: энергосбережение в мобильных стандартах

Фильтры каналов LTE и 5G

В процессорах 4G/5G базовой полосы канал выбирает фильтр после ADC, который должен отклонять сильные смежные помехи канала при сохранении требуемого сигнала. Ранние конструкции использовали фильтры высокого порядка FIR с 128 кранами, потребляя более 10 мВт в 40 нм технологии. Современные конструкции используют каскадные дециматоры интегратора-комба (CIC), за которыми следует гораздо более короткий компенсатор FIR, уменьшая общую скорость MAC на 75% и потребление энергии до менее 3 мВт. Использование полифазного разложения и совместного использования коэффициентов по нескольким каналам приема дополнительно сокращает мощность.

Bluetooth Audio Codecs

Bluetooth аудиочипы (например, Qualcomm aptX, LDAC) используют маломощные фильтрующие банки для субдиапазонного кодирования. Вместо полного FFT-банка фильтров дизайнеры используют модулированные полифазные фильтрующие банки с 16-32 поддиапазонами, требующие только прототипа FIR-фильтра порядка 512 и матрицы модуляций. Полифазная структура снижает вычислительную нагрузку на коэффициент, равный количеству субдиапазонов, позволяя работать на субмилливаттных уровнях мощности, подходящих для истинных беспроводных наушников.

Сенсорная термоядерная синтезация и обработка сигналов MEMS

Инерциальные измерительные блоки (IMU) в смартфонах или фитнес-трекерах используют фильтры низких частот для удаления высокочастотного вибрационного шума. Это обычно простые IIR-фильтры первого или второго порядка (например, Butterworth или Biquad), которые работают на частоте в несколько сотен Гц. Каждая секция биквада требует только 5 умножений и 4 добавлений. При тщательном квантовании коэффициента до 12-битной фиксированной точки такой фильтр может быть реализован менее чем в 10 000 шлюзов и потреблять менее 50 мкВт в 55 нм процессе. Эта ничтожная мощность позволяет всегда обнаруживать движение без разрядки батареи.

Будущие тенденции: машинное обучение и нейронные фильтры

Новые исследования работы с использованием небольших нейронных сетей для замены традиционных линейных фильтров для таких задач, как денозирование или выравнивание. Эти нейронные фильтры могут достигать более высокой производительности с меньшим количеством параметров, чем FIR-фильтры, особенно для нелинейных или изменяющихся во времени каналов. Однако их энергоэффективность в значительной степени зависит от используемого аппаратного ускорителя. Выделенные нейронные процессоры (NPU) могут достигать энергоэффективности, сравнимой с DSP, в то время как GPU общего назначения остаются слишком энергоемкими для мобильных устройств. Ключевой задачей является проектирование компактных сетевых архитектур (например, с глубинно-раздельными извилинами или двоичными весами), которые поддерживают низкое значение MAC. Поскольку NPU становятся повсеместными в мобильных SoC, изученные конструкции фильтров могут стать стандартом для будущей обработки сигналов малой мощности.

Практические рекомендации для инженеров

Начните с минимального порядка фильтра , который соответствует спецификации. Используйте инструменты проектирования фильтров с оптимизацией порядка (например, обмен remez для FIR, масло IIR/cheby1 с оценкой порядка).
Предпочтите IIR вместо FIR, когда фазовая линейность не требуется, особенно для фильтров высокого Q или узких переходных полос.
Использовать многократные архитектуры (исчисление/интерполяция) для снижения тактовой частоты основного фильтра.
Квантировать коэффициенты и пути передачи данных до минимальной ширины бита, удовлетворяющей системе SNR. Выполнить симуляцию с битовой истинностью для проверки.
Выберите структуру фильтра с умом: транспонированная прямая форма для приложений с низкой задержкой, полифаза для многократной, решетка для низкой чувствительности.
Используйте аппаратные ускорители , если они доступны. Используйте инструкции DSP или выделенные блоки фильтров, а не ядра процессора общего назначения.
Применяйте приближённые вычислительные методы , где это уместно, но проверяйте с помощью реальных входных сигналов, чтобы не допустить неоправданной деградации.
Рассматривайте адаптивные обновления только тогда, когда условия канала динамичны; используйте блоковые или частичные обновления для уменьшения мощности обновления.
Внедрить стреловидность часов и DVFS в аппаратное обеспечение для масштабирования мощности с рабочей нагрузкой.

Заключение

Выбор фильтров является основным рычагом в бюджете мощности мобильных устройств обработки сигналов. Каждое решение - от выбора FIR против IIR, до определения длины слова, выбора структуры реализации - оказывает количественное влияние на потребление энергии. Применяя систематический подход, который придает приоритет минимальной арифметике, низкой точности и эффективному картированию оборудования, инженеры могут добиться значительного снижения мощности без ущерба для качества сигнала. По мере развития мобильных стандартов и повышения требований к аккумуляторам глубокое понимание оптимизации мощности фильтра останется необходимым для конкурентоспособной, долговечной портативной электроники.

Для дальнейшего чтения см. следующие ресурсы: TI Application Note on Low-Power Digital Filters, Wikipedia: Digital Filter, ACM Paper: Energy-Efficient Filter Design for Wearables и Analog Devices: Power Consumption in DSPs.