尽管嵌入式和物联网行业的绝大多数人都在来回蹦蹦跳跳地歌颂数字系统和数字信号处理(DSP)，但模拟系统和模拟信号处理(ASP)的主题最近一直在我的脑海中(我笑着称之为)。
正如我偶尔提到的，我的职业是数字硬件设计工程师。走出大学大门后，我的第一份工作是作为一个设计大型计算机中央处理器(cpu)团队的一员。我不记得在我埋头攻读学位时，有人提到过DSP这个词。实际上，我也不记得有人提到过ASP这个术语。我们在这方面谈论的唯一一件事是“信号处理”，它几乎涵盖了所有内容。
正如我在之前的专栏中提到的，大约在20世纪70年代中期，当我开始攻读控制工程学位时，工程部门中唯一的物理计算机是模拟的(我们还可以访问位于另一栋建筑中的数字主机，我们使用纸带和穿孔卡片形式的穿孔纸制品进行编程)。
模拟机由许多小模块组成，每个模块提供一个单一的模拟功能，比如能够比较、加、减、乘和对模拟信号进行积分。这只野兽还拥有大量的电位器(罐)，我们用来指定系数值。我们通过在罐子上设置数值，并使用两端有插孔的电缆将各种功能连接在一起，对机器进行“编程”。
一方面，这类机器设置起来很麻烦，当调试一个难以控制的“程序”时(也许在这种环境中“模型”会是一个更好的绰号)，情况就更糟了。另一方面，数字逻辑门和存储元件——当涉及到执行DSP时，这几乎是强制性的——就晶体管而言是昂贵的，而晶体管本身就很昂贵。模拟计算机和ASP的最大优势之一是，当涉及到对动态系统等事物建模时，它们可以是节能的和功能有效的。最近特别令人感兴趣的是，模拟技术非常适合神经形态人工智能(AI)和机器学习(ML)应用。
顺便说一句，如果你有兴趣了解更多关于信号处理(包括ASP和DSP)的历史，那么我衷心推荐信号处理五十年:IEEE信号处理学会及其技术1948-1998．另一个经典的来源是数字信号处理的科学家和工程师指南斯蒂芬·w·史密斯著。如第一章所述:“DSP的根源是在20世纪60年代和70年代，当时数字计算机首次出现。在那个时代，计算机非常昂贵，DSP仅限于少数关键应用。在以下四个方面着力开拓:雷达声纳国家安全受到威胁;石油勘探在美国，可以赚到大笔钱;太空探索，其中数据是不可替代的;而且医学成像在那里可以挽救生命。20世纪80年代和90年代的个人电脑革命使得DSP出现了大量的新应用。DSP并不是受到军事和政府需求的驱动，而是突然受到了商业市场的驱动[…]“我的朋友Steve Leibson最近的专栏也很有趣:单片机DSP简史第1部分而且第2部分．
另外，我最近听说了一种即将问世的模拟计算机叫做模拟事物(THAT)．我不知道为什么，但我读了几遍才意识到“that”是“The Analog Thing”的缩写，而不是它名字中某个深奥的部分。
模拟事物(That)(图片来源:Anabrid)
除了5个积分器、4个夏季器、2个比较器、2个乘法器和8个系数电位器外，还有X、Y、Z和U输出端口，可用于驱动如上图所示的示波器等。更棒的是，每个THAT都拥有Master和miniion端口，允许多个THAT以菊花链连接在一起来实现任意大的程序。还有一个混合端口，提供了一个接口，以数字控制that，从而促进模拟-数字混合程序的发展。
最后，但肯定不是最不重要(至少，撇开这个不谈)的事实是，有一个杰出的Veritasium视频在YouTube上展示了各种很酷的模拟函数的机械实现，比如正弦波求和，甚至积分，看在上帝的份上。
但我们离题了，我想到analog的另一个原因是，我刚刚与Tom Doyle (CEO)和David Graham (CSO，又名首席科学官)聊天Aspinity．我在之前的专栏文章中提到过Aspinity的技术:模拟人工神经网络(aann)的美丽新世界(如果你知道你在做什么，一点点的模拟可以让你走得很远)而且满足Aspinity的模拟人工神经网络(AANNs)(该AnalogML Core可以在模拟域中执行基于AI/ ml的推理，同时仅消耗微安(µA)的功率)。
令人兴奋的消息是，就在几周前，当我写下这些文字时，Aspinity的人们推出了他们的AnalogML家族的第一个成员，TheAML100他们将其描述为:“业界第一个也是唯一一个完全在模拟领域运行的微型机器学习解决方案。”AML100采用一个小的7 x 7 mm 48针QFN封装，使用接近零的功率来推断和检测事件(在始终传感时消耗<20µa)。
AML100使用接近零的功率来推断和检测事件
(图片来源:Aspinity)
AML100的核心是一组独立的、可配置的模拟模块(cab)，通过软件完全可编程，支持广泛的功能，包括传感器接口和ML。此外，AML100可以在现场通过软件更新或新算法重新编程，以满足额外的全天候应用。与典型的模拟方法相比，这种多功能性提供了巨大的优势，典型的模拟方法是刚性的，只能处理单个函数。
这里有很多需要我们思考的东西，但我认为我们可以把它归结为可以处理的事情。首先，根据国际数据公司(IDC)的数据，2019-2023年全球物联网设备和数据预测(文件#US45066919) -到2025年，预计将有416亿台连接物联网设备，其中许多设备将由电池供电并始终在线。此外，到2025年，预计边缘传感器将捕获79.4 zb的新数据，从而推动对低功耗的需求。
让我们以声学玻璃(窗户)破裂为例。如果有人打破了你家的窗户，你希望系统能触发警报。问题是，家里整天都有很多声音。孩子、宠物、电视、空调……我敢说，大部分时间都有某种形式的声音存在。
声学玻璃(窗户)破碎的例子(图片来源:Aspinity)
在上图中，任何可能与玻璃破碎有关的声音出现的概率都小于1%。假设声波传感器是一个电池驱动的无线单元。如果你用数字方式处理这些数据，你很快就会耗尽电量。现在假设你使用一个消耗<20µA的AML100来监控声音，只有当它感知到可能的玻璃破碎事件时才唤醒一个更高级别的数字处理器。你的电池寿命至少延长了100倍!
另一个很好的例子是语音。拿我办公室的亚马逊Echo来说。这里面有一个数字唤醒文字处理器，它不断地使用DSP来监控任何声音，等着我说唤醒词“Alexa”。当这个处理器认为它听到了唤醒词，它就会启动主数字处理器。虽然wake字处理器被设计成低功耗，但它本质上是数字的，所以“低功耗”是一个相对的术语。
现在考虑到我一个人在办公室的事实。通常会有很多声音(风扇声、盖革计数器的哔哔声、敲击键盘的声音、头撞墙的声音……)，但相对来说，人类语言很少。最重要的是，大约95%的声音数据在经过更高功率处理后会被丢弃。尽管Echo是由墙壁供电的，但我讨厌它不必要地消耗电力的事实——现在可以推断出分布在全球各地的大量声控设备。
再一次，让我们假设我们在音景图中引入一个AML100，这个设备正在侦听人类语音。在本例中，我们现在有了一个处理器层次结构，因为AML100只有在确定有人在说话时才会激活唤醒字处理器，此时唤醒字处理器将接管监听它的唤醒字。这里的底线是，让AML100处理机器学习(ML)工作负载，用于确定是否有人在说话，结果会导致始终在线的系统功耗减少95%。
通过在模拟重定义中执行ML，使ML更接近源
不间断电源效率(图片来源:Aspinity)
有一件事真的让我想到，我们到目前为止讨论的所有例子都与声音有关，但声音只是振动的一种形式。跟着传感器(这里是麦克风)，声音被转换成电信号。这同样适用于任何形式的振动，例如通过加速度计将物理振动转换为电信号。这意味着AML100可以应用于各种各样的应用，例如监测机器振动，以进行问题检测和预测性维护。
AML100支持多达4个模拟传感器，提供现场可编程功能，可以通过训练将任何形式的模拟数据减少100倍，并且很容易集成到当前的数字系统架构中。
如果你想仔细看看，AML100目前正在向关键客户进行抽样，计划于2022年第四季度批量生产。用户可以通过购买Aspinity的集成硬件-软件评估套件之一来评估AML100的功能EVK1用于声学事件检测(例如，玻璃破碎和T3/T4报警音检测)或EVK2用于语音检测与预卷收集和发送。另外，请随时联系Aspinity(告诉他们“Max向他们问好”)关于评估套件和其他应用程序的软件包，例如工业振动监测．
那么，你说呢?你是像你谦逊的叙述者一样是一名坚定的数字开发者，还是你更喜欢游戏中多变的模拟元素?不管怎样，你认为AML100可能对你的任何项目有用吗?如果你能想到这款设备的任何巧妙应用，我很乐意在下面的评论中听到它们。
