Giriş: AI Yüksek Enerjili Dönüşümle Karşılaşıyor
Analog-dijik dönüştürücü (ADC) modern elektronik sistemlerdeki en kritik bina bloklarından biri olmaya devam ediyor. Kablosuz temel istasyonlardan ve tıbbi görüntüleme ekipmanlarının otonom araç sensörleri ve endüstriyel IoT düğümleri için, ADCs, yüksek doğrulukta çevresel koşullar altında teslim edilmesi gerekiyor. Performans talepleri, ısıtılması, yükseltilme ve yanlış işlem yöntemleri ile 16-bit veya daha yüksek çözünürlükle, güvenilir bir şekilde kesintiye devam ediyor. Geleneksel kalibrasyon yöntemleri - fabrikada veya periyodik el bakımı sırasında aşırı derecede yüksek doğruluk sağlamalı olarak bilgilendirici - artık yeterli değildir.
Yapay zeka (AI) şimdi, ADC'lerin kendilerini sürekli olarak kalibre etmelerine ve gerçek zamanlı olarak kendi işletim parametrelerini optimize etmelerine olanak sağlayarak paradigmayı değiştirmek için adım atıyor. Bu makale, AI-enhanced kalibrasyon ve kendini-optimizasyonunu mümkün kılan teknolojileri araştırıyor ve bir sonraki nesil ADC performansını nasıl etkilediğini anlıyor.
ADC Kalibrasyonunu ve Kendi Optimizasyona İhtiyacını Anlayın
ADC, ayrı bir dijital koda sürekli farklı bir analog gerilim çevirir. Her ADC, sabit olmayan dizilerde ve alt yapılı mimarilerde hata kazanır. Kalibrasyon bu hataları ölçme ve uygulama hatalarının süreç varyasyonları, analog alanda (kapılı DAC veya ayarlanabilir yanlı) yanlış eşleştirmeler veya sayısal tablolarda (önemli veya alt yapılama mimarisine ilişkin hataların ölçülmesidir. Kalibrasyon bu hataların ve uygulama sürecidir.
[FONT:0]Traditional kalibrasyon yaklaşımları) Foreground kalibrasyonu, ADC'nin çevrimdışı olarak alındığı ve bilinen referans sinyalinin hata katlarını çıkarmak için uygulanır, ve arka plan kalibrasyonunu, ADC'nin istatistiksel yöntemler kullanarak canlı verileri kullanmaya devam ettiği gibi (örneğin, bölünmüş-ADC veya histogram temelli teknikler) sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sıcaklık veya gerilim ve hızlı değişiklikler yapabilir.
ADC kavramı, son derece değişkenleri, saat zamanlaması, hesaplamalı eşleme ve dönüşüm seviyelerinin sürekli olarak ayarlanması için mümkün olan yüksek çözünürlükte bir kontrol döngüsü gerektirdiği gibi, yüksek çözünürlükte otomatik olarak otomatik olarak otomatikleştirilmiş bir şekilde değişkenleştirilmiş olabilir.
AI Techniques ADC Kalibrasyonunun Yeni Nesilini Sürüş
Modern AI-enhanced kalibrasyon sistemleri ADC'nin davranışını modellemek ve optimal düzeltmeleri hesaplamak için bir veya daha fazla makine öğrenme mimarisi kullanır. Algoritma seçimi mevcut hesaplama kaynaklarına bağlıdır, yakınlık hızı gerekli olup olmadığını ve sistem önbellek veya arka plan modunda çalışır.
Hata Modelleme için Süpervize Öğrenme
Birçok prototip sisteminde, tam olarak ADC, herhangi bir operasyonel koşul için ilk ölçüldü, tedarik gerilimi ve giriş frekansı süpürücü bir sinir ağı – en yaygın olarak iki veya üç gizli tabaka ile besleme ağı – herhangi bir operasyonel koşul için düzeltmenin doğrulanmasında, ağ gerçek zamanlı sensör verileri (sıcak, VD, saat jitter tahminleri) ve çıktıları en iyi kalibrasyon katlarını azaltmak için iyi şekilde çalışır.Bu yaklaşım, düzeltme mekanizmalarının iyi anlaşılabilmesi için dijital kodu tahmin eder.
Plan Kalibrasyon için denetimsiz öğrenme
Bir ADC, dış referans veya kesinti olmadan kendini kalibre etmesi gerektiğinde, denetimsiz öğrenme gerekli hale gelir. Autoencoders and jeneratif adversarial network (GANs) o hatayı en aza indirmek için DAC'leri tespit etmek önermiştir. Örneğin, ADC'nin normal çıktı dağılımı üzerinde eğitilmiş bir otoencoder, lineerlik işlemine ihtiyaç duyan bir yeniden yapılandırma hatası üretebilir, çünkü kontrol cihazı o zaman bu hatayı en aza indirmek için Kalibrasyon DAC'leri ayarlar.
İlgili bir yaklaşım, tüm modeli yeniden eğitmeden önceden belirlenmiş bir düzeltme vektörünü uygulayabilir.Bu, küçük gömülü işlemcilere çalışan birkaç yüz MSPS'ye kadar bellekten verimli ve hızlı bir şekilde sabitlenir.
Dinamik Parametre için Öğrenmek
ADC'ler için öngörülemeyen ortamlarda faaliyet gösteren bir uygulama - görev-kahkadar aviyonları veya derin uzay sensörleri gibi - güçlü bir çerçeve sunar. ADC, ajan olarak hareket eder ve derhal ödül, geleneksel analog tasarımcılar tarafından kaçırılacak olan en iyi ayarları keşfeder.
Derin Öğrenme ve Neural ADCs
Gelişen bir trend, bir trenle ön işlemekte ve dijital geri dönüş, sayısal değeri yeniden inşa etmek için derin bir ağ kullanıyor.Bir sistemdeki dönüşüm, geleneksel bir kotatör veya dizi yerine, analog sinyal hala ameliyat öncesi, bir trenle ön işlemekte olsa da, üniversite laboratuvarlarından gelen ilk silikon prototipleri, ADC'lerin doğal olarak sayısal bir şekilde yüksek çözünürlükte elde edebileceği bir şekilde yüksek çözünürlükte bulunuyor.
Pratik Uygulama ve Edge AI Trade-offs
Gerçek ADC ürünündeki AI-enhanced kalibrasyonu, yüksek hızlı veri dönüştürücüleri için yüksek çözünürlükte, yüksek çözünürlükte yüksek çözünürlükte, sabit bir yük üzerinde herhangi bir etki olmadan arka planda çalışmalıdır.Bu tasarımcılar son derece optimize edilmiş dijital devreleri kullanmak için dikkatli bir şekilde çalışır - birkaç bin mantık kapısında uygulanan hafif bir ağ - 10sorFlow'dan daha fazla çalışır.
[FONT=0)Edge AI hızlandırıcıları [Dönetici] gibi, Syntiant’in sinir karar işlemcilerini veya özel stolic dizilerini sunucuda ortak hale getirir; bu hızlandırıcı öğrenme ajanları için, aynı hızlandırıcıları kullanarak, Q-değerlere ihtiyaç duyan küçük sayıdaki işlemleri gerçekleştirebilir, ancak eğitim, genellikle sunucuda çevrimdışı yapılır; gömülü sistem yalnızca gömülü sistemlerde kullanılır.
Bir başka önemli husus, AI algoritmalarının güvenliğidir. Adversarial saldırıları, ADC'nin referans gerilimine veya saatine paralel olarak küçük bir perturbasyonları kullanarak, nasyonal ağı yanlış bir düzeltme, yüksek çözünürlükte uygulamanız için.) Bu, sensör girişleri hakkında en iyi uygulamaları bütünleştirmek ve ağlarını paralel olarak kullanmak (tek taraflı ve düzeltmede oylamada iki veya üç küçük ağla çalışmak) için benzersiz bir şekilde kodlayın.
Gerçek Dünya Faydaları ve Vakaları Kullanın
AI-güdümlü kalibrasyona sabit geçiş zaten birkaç endüstride somut gelişmeler getiriyor:
- [FONT:0] Telekomünikasyon: [Dönemli MIMO anten sistemlerinde, yüzlerce ADC'nin kirişli radyo birimlerini korumak için gerçek zamanlı olarak uyumlu olması gerekir[Dönetici). AI-based kalibrasyon, 100 °C sıcaklık aralığındaki dengeyi korur, dağıtım sırasında pahalı el ayarlamayı ortadan kaldırır.
- [FONT:0)Medical görüntüleme: [Dönetici: [Dönetici: 0,6] CT ve MRG sistemleri, güçlü manyetik alanların ve farklı RF yüklerinin varlığıyla çalışan yüksek çözünürlüklü ADC'lere güvenebilir.
- [FONT:0]Aerospace ve savunma:[Dönetici araçlardaki Radar ADCs hızlı sıcaklık hızları ve titreşimleri deneyimliyor. Ön ışık ısı ısı ısısı sırasında eğitilmiş denetimsiz öğrenme modelleri, görev profili için gerekli olan kalibrasyon parametrelerini tahmin edebilir, sonra sürekli olarak ayarlayın.
- [FONT:0) Orta IoT: [Dönetici: [Dönetici: 0,3) Düşük Güç ADCs in sensör düğümleri için yapısal sağlık izleme için şarj gücü için gerekli olan yükü% 20 azaltarak, düşük sinyal kalitesi için telafi etmek için gerekli olan gücü azaltabilecektir - ADC'yi en iyi lineerlik noktasında çalışan gerçek zamanlı olarak teşvik etmek için teşekkür eder.
Yoldaki meydan okumalar
Umut verici sonuçlara rağmen, AI-enhanced kalibrasyonu statik veya yavaş değişen parametreler için yazılmalıdır.En acil durum standart doğrulama yönteminin (veya en azından bir endüstri-akım testleri) tarafından getirilen algatif AI motoru tarafından getirilen aranık davranışın belirlenmesidir.
Başka bir endişe, yaşam boyu erişilebilirlik anlamına gelir[Dönetici:0)). Erken yaşam silikonundan alınan bir AI modeli, uzun vadeli bir ortalama modelin hemen sürüklenmelendirilmesi için iyi performans göstermeyebilir. Online yeniden eğitim bir çözümdür, ancak felaket unutmak için dikkatli veri yönetimi gerektirir.
[FONT=0]c ⁇ yükü ultra-low-power ADCs (sub-10 μW) implant edilebilir tıbbi cihazlar gibi uygulamalar için bir şov olarak kalır. Yeni casus sinir ağ mimarisi ve analog hesaplama-in-memory makrolar, onlarca resim için enerjiyi azaltmak için geliştirilir, ancak bunlar hala laboratuvar gösterilerdir.
Son olarak, ADC'nin yanlış düzeltmelere neden olabileceği kötü niyetli bir sistem hatasına neden olabilir. AI hızlandırıcı dağıtımlarında daha önce bahsedilen donanım kök-güvenlik ve güvenli derinlikler gerekli değildir.
Future: Kalibrasyonun ötesinde Kendi kendini farkındalık
İleriye bakıldığında, kalibrasyon ve sistem düzeyinde adaptasyon arasındaki çizgi, giriş sinyalinin genişliğine dayanan ve SNR'ye ihtiyaç duyan ADC[FLT 1: 1) olarak, dönüştürücüyü takip eden dijital sinyal işleme zinciri ile entegre edilen öğrenme konseptini yeniden yapılandıracaktır.
Bir başka ortaya çıkan fikir, ADC'nin sayısal ikizi (%[Dönetici: 1), gerçek silikonun yanında kenarda çalışan yüksek sadakat simülasyon modelidir. AI motoru tarafından düzenli olarak güncellenen ikiz, “if” senaryoları, gelecek çevresel değişimleri tahmin etmek için en iyi kalibrasyon parametrelerini tahmin edebilir, reaktif ayarlamalardan ziyade ön muafiyeti sağlar.
Artık (5-10 yıl), ADC'nin analog çekirdeğinde doğrudan yer alan tam analog AI hızlandırıcıları, herhangi bir dijital bileşen olmadan kalibrasyon gerçekleştirebilir. Memristor tabanlı haç çubukları ve şarj alanı hesapları devreleri zaten en küçük sensör düğümleri için kullanılabilir hale getirebilir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
AI-enhanced kalibrasyon ve öz-ömürme, klasik yöntemlerle imkansız olan bir değişim temsil eder ve analog-dijik dönüştürücüler dağıtılırken, sabit, tek zamanlı düzeltmeler, sürekli, akıllı adaptasyon, bu sistemler, bu sistemler, yüksek çözünürlük, güvenilirlik ve enerji verimliliği ile mümkün olan temel bir değişimdir.Yolda, doğrulama, güvenlik ve güç tüketimi ile ilgili pratik zorlukları çözmeyi içerir, ancak temel teknolojiler - öğrenme, güçlendirmeyi öğrenme, öğrenme, öğrenme, öğrenme, öğrenme, AI inference, ve sinirsel dönüşüm - zaten bunu başarı ile kanıtlanmış olan ölçekler.