意法半导体Cassis：如何迎接下一个“自动化时代”

上月，在ISSCC 2022上，意法半导体模拟、MEMS 和传感器集团总裁兼公司战略、系统研究和应用创新办公室负责人 Marco Cassis，以智能感应为主题，介绍了“下一个自动化时代”。

自 21 世纪初以来，传感器经历了快速发展期。多亏了物联网，周围已经部署了太多支持连接的智能传感器。这使得在无需人工干预的情况下自主和持续收集大量数据成为可能，实现日常活动的自动化，同时解锁以前无法获得的洞察力和功能。

随着自动化时代的到来，这些传感器生成的信息可以在本地进行处理和操作，以在物理世界中采取行动。传感、人工智能和驱动将在现有和新的应用领域（包括汽车、数字健康、农业、环境控制和脱碳）中实现自主端到端系统解决方案。

半导体行业正在推动这一转变，传感器、智能嵌入式执行器、模拟接口、连接性、安全性和嵌入式 AI 为持续创新提供了完美的工具集。为了推动这种创新，业界需要开发节能、高精度、自主、超紧凑和值得信赖的 IC。

这些芯片需要采用最先进的系统和嵌入式安全技术，以保护收集到的数据、其处理以及由此产生的驱动。支持人工智能和机器学习的新型超高效计算硬件技术已经在改变边缘数据处理，并推动智能功能和物联网网络可扩展性的发展。

未来的进步将依赖于这些不断发展的 IC 技术以及相关的封装解决方案。这些将包括超级集成、晶圆到晶圆键合和系统级封装，以实现多种技术的异构集成。

如图所示，ST将技术分解成了5层，从最基础的元器件密度，一直到优化的能源效率，针对边缘AI的逻辑和存储技术，生产力开发工具以及生态系统，此外也包括功能安全和信息安全。

面向信息领域的人工智能安全实现意味着需要抵御强大的攻击，同时也应该避免AI模型损坏。

正如Gartner所述，目前边缘AI在AI技术曲线上，处于最巅峰。

Cassis特别强调，在不同时代，传感器的发展并不相同。首先在移动计算时代，MEMS（加速度计和陀螺仪）市场出现了第一波浪潮，其他传感器包括高清图像、环境光、接近传感、麦克风、压力等开始进入市场。而目前第二波浪潮中，诞生了包括4k图像传感器、3D深度传感器以及光谱传感器等，而MEMS麦克风开始朝向阵列式方向发展，并且可以理解环境语境。未来，在自动化时代，AI将可能处于任何MEMS上，包括光，麦克风以及环境等传感器都可以含有AI元素。

ST日前宣布推出智能传感器处理单元 (ISPU)，它结合了适合在同一芯片上运行 AI 算法和 MEMS 传感器的数字信号处理器 (DSP)。

而关于未来光传感器的技术发展，Cassis给出了几个方向，包括利用MEMS镜实现波束控制、硅光子技术发展、深度卷积神经网络模型发展、硅和非硅制程的定制化开发、像素设计创新以及3D堆叠技术的开发。

如图所示，Cassis给出了一种全新的光学传感器智能封装产品，即通过图像传感器与CMOS采用类似台积电WoW的方式进行贴合而成。

而根据ST的资料，10年间，MEMS产品的性能及价格，得到了长足进步。

尤其是针对边缘嵌入式的功耗部分，需要逐一探讨。

不同处理功能的功耗分布情况。

除了功耗，Cassis还表示，目前针对嵌入式AI，也存在内存墙问题。他排除了脉冲神经网络芯片（也称为神经拟态），因为这一技术尚不成熟。此外，当前的卷积神经网络可以通过降低精度和芯片升级来获得更高的性能，然而，这些技术面临着功耗和内存带宽挑战。

“要克服这个限制，就是将计算部分或完全转移到内存中。”他说。“与当前最先进的解决方案相比，内存计算可以带来巨大的好处，100 倍的密度和效率。一个特别有前途的技术是使用非易失性电阻存储器件，在存储器本身中执行计算。”

“对于人工智能应用，相变存储器 (PCM) 是一个自然的候选者，因为非常小的单元尺寸允许非常高的计算能力。此外，PCM 技术已经成熟，具有经过验证的可制造性和可靠性，可以更早地推出经过工业验证的模拟 IMC 解决方案。”他说。

实际上，ST层在IEDM2018国际电子器件展会上，就公布了内置嵌入式相变存储器（ePCM）的28nm FD-SOI汽车微控制器（MCU）技术的架构和性能基准，并从现在开始向主要客户提供基于ePCM的微控制器样片，预计2020年按照汽车应用要求完成现场试验，取得全部技术认证。这些微控制器是世界上首批使用ePCM的微控制器，将被用于汽车传动系统、先进安全网关、安全/ADAS系统以及车辆电动化。

Cassis还介绍了关于不同边缘应用，所需要满足的功能安全等级，包括SIL、ASIL以及Class B等等。

此外，Cassis以一篇《Tiny Reservoir Computing for Extreme Learning of Motor》的论文，介绍了机器学习在边缘电机控制上的应用。在电机控制中的电机控制器的机电系统是一个复杂的非线性系统，需要随着时间的推移不断地自我调整，因为组件老化和热降额等因素往往会改变其行为和性能。基于神经网络 (NN)，尤其是循环神经网络 (RNN) 的算法，由于它们能够逼近复杂的非线性系统并处理信号的时变特性，有望改善电机驱动。该团队引入了一种专门开发的神经网络，称为半二进制深度回波状态网络（SB-DESN），以实现良好的控制精度和低复杂度。这允许将其部署到以严格的内存、计算和功耗限制为特征的廉价微控制器中。SB-DESN 的特殊属性，即固定且可预测的训练复杂性，使其非常适合用于微控制器上的强化学习，以确保控制随时间的持续适应性。除了将 SB-DESN 用于速度、扭矩和磁通量控制之外，团队还提出了一种基于储层间矩阵稀疏特性的新型复杂度优化，它将内存占用减少了 3.7 倍，计算复杂度降低了因素 2。这对应于 SB-DESN，在 STM32H7 上只有 2.5kB 的内存占用和 20µs 的推理时间，这允许其部署到大众市场 FOC 解决方案中。