編者按：模擬接口是溝通物理世界與數字世界的橋梁。我們能夠通過模擬信號去處理的信息，僅為物理世界中存在信息的一萬萬億分之一，因此，社會需要模擬技術基礎研究能快速發展。

新的傳感技術成為必需品，例如聯動傳感（sensing to action）、模擬“人工智能”平臺、類腦／神經形態和分層計算，以及其他的技術方向。信息技術在傳感器上的突破性進展是基礎性要求，例如開發基于傳感器原始數據感知算法以分析環境或場景。而類似于模擬“接近計算”等新計算模型也是需要重點關注的研究方向，模擬“接近計算”類似人腦行為，在消耗能量與計算時間上與輸出精度做折中。新型模擬技術將為通信技術發展帶來巨大推動力。對物聯網和大數據行業而言，如何收集、處理、傳輸位于輸入輸出邊界的模擬數據十分關鍵。此外，模擬開發方法學也需要有跳躍式提升（10倍開發效率，甚至更高），以提高模擬產品開發產出，從而能及時滿足應用對模擬芯片需求的爆炸性增長。總而言之，聯合研發以推動未來革命性發展高能效模擬集成電路是必要的，因為模擬電路對未來信息技術的數據類型、工作負載和應用方向都至關重要。

模擬芯片技術的長期目標是在減少能量消耗的同時增加可操作信息量，從而實現高效、實時（低延遲）的傳感－模擬－信息通路，實際信息壓縮比期望做到10＾5（即10萬）：1。

在此十年中，美國將每年投資6億美元用于研究模擬電子的新方向。已選優先研究的課題羅列如下。

美國半導體十年計劃研討會牽頭制定了“模擬電子新方向”的長期目標，該研討會由學術界、工業界和政府實驗室的專家組成。“模擬電子新方向”包含以下五個研究領域：

模擬信息通信系統（ICT）的基本原理、挑戰和應用驅動方向

智能傳感器：傳感和致動

太赫茲模擬技術

端側機器學習中的模擬技術

模擬設計的效率和生產可預測性

該文是智能傳感器部分的翻譯，由于編譯人員經驗尚淺，不當之處，請多指教。

概述和需求

未來十年，隨著電子技術的進步，智能工廠、智慧城市、智能汽車等“智能社會”將變成現實。其核心驅動力包含能源效率、安全性、生產力、靈活性、健康，以及娛樂和個性化。為實現核心驅動因素，需要感知現實世界并及時采取適當行動和有效措施。絕大多數傳感器可以從物理社會中接收模擬輸入信號。將這些信號數字化將會創建大量的原始數據，由于預計要部署的傳感器數量龐大，數據負載預計將以指數級的速度增長。何時何地如何處理不斷增長的傳感器應用過程中的數據，以提取信息、收集見解、作出決定以及采取行動是亟待解決的問題。

隨著對視覺信息（安全攝像機，車輛360攝像頭，面部識別等）和高分辨率的需求不斷增加，每個傳感器的平均數據采集率呈指數級增長。到2032年，傳感器的數據增長（圖1．8）估計將達到每年1BB ＝珀字節＝ 1027 字節／年，相當于大于 1020 bit ／ s。

圖1．8 全球傳感器數據增長趨勢及預測

模擬傳感器數據泛濫問題

本級別的數據生成有兩個關鍵問題：

1）消化或有效使用傳感器輸出的數據建立更加智能的社會；

2）有效地處理數據以采取適當行動。

消化數據（即處理數據）的能力遠遠超出了人類在數據量、理解力和及時性等方面的能力范圍。當前，估計人類的總數據消耗約為 1017 bit ／ s，而在接下來的十年中，預估數據的生成量將超過現在1000倍。預計傳感器將以指數形式增長，因此需要進行機器處理才能有效利用所部署的傳感器。

這就導致了處理數據采取適當行動的第二個問題。如上所述，那些需要機器處理的典型數據流，在通信介質上傳輸數據，并反饋適當的信息以采取行動。在預計的數據速率（ 1020 位／秒）下，假設功耗只有1pJ ／位，則需要100MW。在此半導體十年規劃中最積極的通信目標是大于該級別100倍（0．1nJ ／位），僅通信功耗就達到10GW。

如果我們要利用模擬傳感器數據的預期增長來驅動建設更智能的社會，則需要進行重大變化。一個更加智能的社會，可以更好地實時管理電網基礎設施和微電網規模（包括可再生能源動態），以靈活／高效的生產方式提高產量，并通過跟蹤照明和HVAC（供熱通風與空氣調節）系統需求提高建筑效率，而不是通過預定程序實現這些。

解決模擬數據泛濫的關鍵是提高傳感器、信號處理和后續行動決策的能力，盡可能本地化處理，而不是將數據傳到遠端進行處理（即到云端）。“感知行動”的目標是優化系統分區，以管理系統中傳輸的數據量。在電力／能源和成本方面，為了改善環境和健康，需要在本地實際處理數據能力與全球性考慮因素之間取得平衡。為提高決策能力，需在本地快速決策與較慢的集成學習模型之間進行協調。

從人體的感覺／處理系統可獲得參考，人體感知處理系統通過人體的感覺系統產生約10 Mbits ／ s的速度，但僅以小于50 bit ／ s的速度自覺處理比率為200，000 ：1的總體“數據信息位”。大腦持續以較慢的速度在后臺學習，以增強前景中的“感知行動”。因此，我們最初將目標定為一個類似的量度，以實現將“數據”到可操作“信息位”以100，000：1減少，或稱之為數據減少率（DRR）為100，000：1。

圖1．9 數據壓縮權衡

數據減少率：DDR ＝ 數據位／信息位

這是非常積極的做法，并且不會影響所有傳感應用的功能。

傳統的信號壓縮是不夠的。壓縮通常以原始信號的重建為目標，并保留一些應用通用性。對于需要重建的情況，例如視頻和音頻娛樂或用于遠程醫療診斷和手術的現場視頻，此解決方案的效果很好，但僅限于將數據縮減10倍至200倍（圖1．9）。

為了在檢測信號中提供檢測到的“可操作信息”的輸出（模擬或幾個字節），需要對檢測信號或“信息”的處理方式進行模式轉換。需要對關鍵行動目標及信號和相關的“檢測熵”有較高的了解——因此具有確定性或健壯性（robustness）。在經典信息理論中，香農（Shannon）將“信息熵”度量定義為簡潔地捕獲任何信息（與原始數據相反）所需的絕對最小存儲量和傳輸量。此概念被擴展到從感測中檢測到的采取行動所需的最小可操作輸出。這個輸出可以是數據位（甚至單個位），也可以是控制驅動的模擬輸出信號。為了產生可操作的輸出，需要系統知識支撐，并考慮對從傳感器本身，到模擬信號處理，以及可能在模擬和數字域中的神經處理等所有系統組件增加智能。因此，正如美國能源科學辦公室在2018年發布的“微電子學的基本研究需求”報告中所強調的那樣，整體協同設計將是必需的。

還有可能感知更多參數，尤其是使用更便宜的電子設備來執行光譜分析時。不同傳感方式（傳感器融合）的組合為更好的系統優化，以及可能更好的傳感能力開辟了可能性。人類與世界互動的方式也頗受矚目，創新可能性很高，增強現實及類似技術可能會為人機交互創造不同的方式，而感知行動是關鍵的使能技術之一。

我們正面臨著傳感器數據的爆炸式增長——數據泛濫。當前，海量傳感器數據既不容易處理，也不利于傳送。智能社會對傳感器需求實質性增長，并且越來越多應用趨勢出現，從而增加了傳感器的數量及其產生的數據量。傳感器數據量必須通過智能縮減來降低，即轉向“感知行動”模型以傳輸最少的信息位。為了解決這個問題，已經設定了平均數據減少比率為100，000：1的目標。解決這樣一個積極的目標需要進行多個領域的研究，并已推薦一份初步清單。

宏偉目標：實際壓縮比為 105 ：1的模擬信息壓縮

圖1．10 人體互聯網和以人為本的計算（由加州大學伯克利分校的Jan Rabaey提供）

這是“模擬電子的新軌跡”第二部分，聚焦于“智能傳感：感知到行動”，與前面的討論直接吻合。以下是受邀專家演講的要點總結，其后是未來研究重點。

學術界的主題演講強調分布式智能，包括“行動互聯網”。本地和分布式處理在時延、能效、安全性／保密性、健壯性和自治性方面具有優勢。這是通過人體模型（圖1．10）和其他生物系統突顯出來的，它們是具有多個反饋路徑的分層但緊密鏈接的控制系統。關鍵點在于盡可能緩慢地僅發送所需的信息，并在可能的情況下在本地進行處理。他們在討論中，舉例說明了早期感測／處理技術，以及使用最合適的技術（模擬，數字甚至化學）進行處理。總體而言，通信成本很高，而處理成本（能源等）則要低得多。

第一位行業專家討論了移動便攜式AR ／ VR應用，該應用強調需要以非常低的功率進行本地處理，并具有多種感應方式才能有效。延遲和幀率對于需要本地性能的自然人機界面至關重要。為滿足產品尺寸與重量的要求而提高集成度一直驅動技術向前發展，除了使用電路板、柔性板和封裝集成方法，還有三層堆疊傳感器示例（像素＋ DRAM ＋邏輯異質集成）。為滿足更高的強調數據傳輸與處理的能源成本要求，系統協同優化是必不可少的。

第二位行業專家聚焦于“足夠準確”的傳感方式和信號處理，以及組合多個傳感器以做出可靠的決策和行動。此外，傳感器的“主動感應”和自我校準可以提供額外的性能和功能（圖1．11）。在工業／機器人、汽車、基礎設施和健康／醫療應用中的感知和行動具有很高的價值。他還強調了傳感器產生的大量“原始數據”以及提高行動效率必要的信息縮減。具體示例包括汽車ADAS ／自主多傳感器圖像，其中檢測到的物體是最終結果，并且“數據”的數量級更少。

下一位來自學術界的專家討論了壓縮感測應用的領域。數據可以通過稀疏／壓縮采樣來減少，但是從能耗的角度來看，用于數據重建的后期處理可能會非常昂貴。再次利用生物學，根據應用需要在本地進行稀疏處理具有價值。他強調了為未來的感知行動應用持續構建最佳性能創新的必要性。

來自工程界的第四位專家介紹了用于物聯網的高度集成SoC，高集成度對于小尺寸可穿戴設備和低功耗是必需的。他強調，為節省功率允許占空比循環，需要“常開”處理器來為主處理器減輕負擔。他再次強調了針對該應用程序的技術定制，其中包括針對ML（機器學習）的硬件加速器，這些硬件加速器針對低功耗和物體檢測或其他功能進行了定制。NVM（虛擬機）和內存中的計算已被強調為關鍵技術需求。

最后一位來自學術界的專家強調需要有效和高效的人機界面在醫療中的應用。醫療應用對人機界面等要求包括本地處理、低功耗、便攜性和人體兼容性。學習和適應能力是使解決方案個性化和有效的關鍵能力。大腦中的“神經接口”面臨著非常重大的挑戰，但是入耳式傳感器有機會替代探針，同時仍提供有效“信息”。他還提出了將人類生物處理作為改善此類界面和療法的模型。

圖1．11 足夠準確的有源感應和校準（由德州儀器，Baher Haroun提供）

圖1．12 常開處理器（由高通，Rashid Attar提供）

圖1．14 本地及分層智能感應

圖1．14展示了一個“感知行動”系統的概況圖，該系統為以下列出的開放性問題／挑戰，以及以下小節中的研究需求提供了背景。開放的問題／挑戰包括：

“萬億”傳感器生成冗余和未使用的“數據”。

云不是答案。

通信是瓶頸。

處理冗余數據的能力不高

延遲時間太長，無法進行本地控制和采取行動

需要智能傳感器來推動本地及時采取行動。

重點領域和后續研究

系統解決方案和協同設計方法：這種整體方法建議使用，以實現穩健緊湊、能效高、成本效率高的解決方案。這將需要：

智能傳感器與傳感器融合研究——智能分布式多傳感器

應用與系統知識研究

分層與分布式探索／優化

多專業協作研究課題——探月競賽演示平臺

推動模擬技術共同目標——可將技術推廣至其他應用

跨邊界系統優化方法——傳感器、模擬處理、數字處理、ML（機器學習）／檢測等

研究最合適信號捕獲的領域——能量和降低傳感器數據速率

以人的系統為模型：圍繞如何參考人類感知處理系統撬動傳感器技術開發展開了重要討論，即通過層次化的“感知到行動”解決方案以最小的通信量僅提供所需的內容。 這將需要：

針對許多應用的局部動作感知，包括“選擇性”或“檢測”更智能的傳感器，可最大程度地減少進一步的信號處理和功耗

學習和自適應解決方案，以提高準確性和效率

了解健壯性所需的“最低”性能——SNR（信噪比）、分辨率、位數等。

本地反饋（不向云發送），以便及時有效地感知行動

邊緣機器學習與模擬機器學習的領域交叉

異構傳感—組合和多模式傳感融合

研究如何在系統中始終保持異常的“早期檢測”以進行進一步處理

ML可確定“正常”并設置異常檢測閾值

增加模擬設計師對生物學及其與物理世界的聯系的知識和理解，以產生重大而有意義的影響

靈活、可擴展的平臺和技術：由于感知行動應用的范圍廣泛，因此需要一種靈活且可擴展的平臺來解決效率（功率和成本）問題。 這將需要：

技術：內存、傳感器、與信號處理相關的領域、本地化處理、電源效率

用于性能和／或超低功耗的高級構建模塊研究

ADC（模數轉換器）、PLL（鎖相環）、DAC（數模轉換器）、VCO（壓控振蕩器）、高速鏈路、近零功耗

基于時間的新架構：環形放大器、噪聲成型SAR（合成孔徑雷達）、開關電容PA（功率放大器）

基于陣列的處理：多傳感器、多模式、波束處理，波束成形／檢測

可以提高多個低性能傳感器的性能（SNR）

多傳感器設計和傳感器反饋，以提高性能，冗余和安全性

異構傳感：組合和多模式傳感融合

用于高性能或替代架構的新設備

RRAM（阻變式存儲器）、MRAM（非易失性磁性隨機存儲器）或其他現有和新興技術中的模擬ML

帶有新的先進數字設備的數字協助

模擬混合信號機器學習，和／或CMOS神經網絡

利用分析／機器學習進行模擬電路設計——更快，更優化，更不易出錯。需求以可預測和可靠的設計快速處理多個應用程序
? ? ? ?責任編輯:pj