邊緣AI已經成為業界積極探索的議題,感測器肩負蒐集資料以提供AI進行智慧判斷的任務,在邊緣AI應用中不可或缺。不過,除了蒐集資料並回傳給MCU等單元進行處理,若能進一步賦予感測器進行資料處理的能力,將可透過環境感知等方式,升級應用體驗並減少能耗。
意法半導體(ST)類比、電源、MEMS和感測器事業群副總裁暨MEMS子產品事業群總經理Simone Ferri表示,能耗是AI部署正面臨的挑戰之一,傳統上,感測器會將原始數據傳輸到處理器,導致大量無關的數據和高耗能。為了生成有意義的資料(而非原始資料)並以最有效的方式傳遞,感測器首先必須「聰明」,具備在邊緣處理資料的能力,同時能夠根據情況提供適當品質的資料,而非一味以能源為代價提供高階資料。
在感測器內加入資料處理能力,能夠減少資料傳輸並優化能源效率。例如,ST便採用兩項技術打造智慧感測器:機器學習核心(MLC)和智慧感測處理單元(ISPU)。機器學習核心是一個AI模型引擎,允許選擇更深層或多個並行處理的小型模型,不過基礎模型結構通常是固定的;ISPU則提供更靈活的方法,能直接將數位訊號處理器(DSP)整合到感測器中。
在此情況下,感測器和MCU之間的關係將產生變化。Ferri說明,透過將部分AI處理分擔給智慧感測器,開發者可將部分任務轉移至智慧感測器,釋放出MCU的處理空間以處理其他功能,或是選擇成本較低的MCU,在保持所需智慧化水準的前提下優化成本效益。
智慧感測器能夠進一步支援適用性配置(Adaptive-Self-Configuration, ASC)概念,此概念藉由在感測器端辨別周遭情境,根據環境自我重新配置,例如ST的解決方案便可透過機器學習核心和有限狀態機(FSM)合作即時解讀事件,讓處理器智慧適應環境自行調整配置,無須喚醒MCU以進行重新配置,以減少能源消耗。
此外,智慧感測器也可滿足特定應用需求。Ferri以MEMS極具成長前景的醫療領域為例,在心電圖系統中,動作感測器可偵測一個人是否靜止或不適當移動,感測器處理這些資訊,只有當人處於正確狀態時才會喚醒系統;在連續血糖監測中,讀數的準確性取決於身體的位置,若舉起手臂或在活動後立即檢查血糖,讀數就可能會出錯,因此,環境感知有助於取得精確血糖讀數。
除了針對智慧感測器提出創新概念和產品布局,ST在能源方面也致力投入SiC技術研發,近期發表第四代SiC功率技術,並持續投入資金擴充產能,以滿足未來應用需求。