意法半导体的目标是将 dsp、ai 和 mems 传感器集成在同一硅片上——赛斯维传感器网-j9九游会首页入口

为了推动微机电系统 (mems) 的创新，意法半导体推出了一款集信号处理、人工智能和 mems 传感器于一体的节能系统。

通过集成机械和电气功能，mems 技术结合了微型化机电组件，例如微型传感器和微型致动器。 

这些器件通常使用多种工业工艺制造，包括大规模集成 (vlsi) 技术、微加工、ic 工艺序列等。

mems传感器的一个例子。图片由博世提供

最近，为了不断突破 mems 技术的界限，意法半导体开发了一种mems 传感器，将数字信号处理 (dsp) 和 ai 算法集成在同一硅片上。

在本文中，我们将探讨人工智能如何在 mems 设备中发挥作用、面临的挑战以及 st 的最新版本。 

人工智能如何在 mems 上扩展？

研究人员和设计人员正在夜以继日地将人工智能集成到 mems中，以提高性能并扩展 mems 设备的用例。 

考虑到这一点，新型ai-mems 架构正在兴起。 

一种这样的架构利用具有非线性动力学的谐振器来实现机械领域的机器学习 (ml) 处理。

来自舍布鲁克大学的 mems 设备示例。图片由dion 等人提供

2018 年，加拿大舍布鲁克大学的研究人员通过引入储层计算实现了一个里程碑，该计算允许 mems 振荡器进行时间序列预测和口语单词分类。 

研究人员利用了硅束的非线性动力学，它在空间中以比人类头发细 20 倍的宽度振荡。 

据说这种振荡的结果被用来构建一个虚拟神经网络，将输入信号投影到神经网络计算所需的更高维空间中。 

这种 ai-mems 使用加速度计简化了机器人的机械功能，可以为机器人生成控制信号。

一般来说，制造可扩展的 ai-mems 架构可加速 mems 设备和信号处理的多功能性。 

除了提供改进的性能外，它还可以消除对外部微处理器和现场可编程门阵列 (fpga) 的使用。

mems 上的人工智能面临的挑战

当遇到挑战时，mems 设计人员在制造 mems 器件时会面临一些陷阱和设计限制。 

在智能 mems 传感器中获取真实数据需要使用更高分辨率的模数转换器。因此，10 位分辨率的模数转换器可能对健康监测等特定应用没有帮助。 

此外，在处理数据以进行数据传输时，有限的带宽可能会带来挑战并截断数据处理。

设计人员在制造集成 ml 算法的最先进的 mems 传感器时也面临挑战。 

采用支持向量机 (svm) 等分类算法的 mems 传感器需要大内存来存储大量现实生活中的数据集。

尽管将 ai 和 ml 整合到 mems 设备中存在挑战，但 st 希望让它变得更容易。 

智能传感器处理单元满足 mems 传感器

为了克服与在 mems 上制造 ai 相关的所有潜在挑战，st 推出了智能传感器处理单元 (ispu)，它将 dsp 与 ic 上的 mems 传感器集成在一起。 

可编程 dsp 具有单周期 16 位乘法器，可以通过 16 位可变长度指令轻松操作。它还包括一个全精度浮点单元。

st 的 ispu 概述。图片由意法半导体提供

ispu 促进了量化 ai 传感器中的全到单位精度神经网络。 

借助在 dsp 上运行的 ai 算法，ispu 通过分析惯性数据来提高活动识别和异常检测任务的准确性和效率。 

此外，ispu 支持边缘 ai 计算，允许使用 ai 商业模型开发 mems 传感器算法，同时最大限度地提高超低功耗。 

st 还声称，该产品有望将功率降低多达 80%，同时减小系统级封装设备的尺寸。 

stmicroelectronics mems 子集团执行副总裁 andrea onetti 在谈到该产品时表示，新时代——“ onlife era ”——旨在通过减少数据传输来推进传感器功能以加快决策速度，并通过保留数据来增强隐私本地化，同时减小尺寸和功耗，从而降低成本。

总而言之，在实现最大隐私的同时，onlife era 旨在引入能够感知现实生活数据、处理复杂 ai 算法并采取智能实时行动的 mems 设备。