【導讀】如今，數據處理架構呈現出一種“分裂”的特性。擁有龐大規模和計算能力的“雲”計算成為了關注焦點，而“邊緣”計算將處理過程置於“一線”
，連接著電子設備與真實世界。在雲端，數據存儲量巨大
，處理過程需要排隊和調度；而在邊緣，處理工作則有針對性地即時完成。

如今，數據處理架構呈現出一種“分裂”的特性。擁有龐大規模和計算能力的“雲”計算成為了關注焦點
，而“邊緣”計算將處理過程置於“一線”，連接著電子設備與真實世界。在雲端，數據存儲量巨大，處理過程需要排隊和調度；而在邊緣，處理工作則有針對性地即時完成。

zheshidexitongnenggouzhenduibendizhilingheyingyongchengxufankuizuochukuaisuxiangying，tongshijianshaoshujuliuliang，yiquebaochuliguochenggengjiaanquan。dangran，zhelianggequyuyehuijinxingjiaohu，bianyuanjiedianjiangshujuchuanhuiyunduan，shixiankuashebeihuodidiandehuizongyufenxi；而全局指令和固件更新則反向傳遞至邊緣。

這兩種處理環境都得益於人工智能（AI）和機器學習（ML）的最新發展。例如，在數據中心
，包含數萬顆處理器（主要為GPU）的數千台服務器執行大規模並行計算，以生成和運行ChatGPT等大語言模型（LLM）。從某些指標看，這些平台的性能現在已經超越了人類。

在邊緣，處理過程根據操作算法對反饋傳感器和指令做出反應。但借助機器學習，算法現也能夠有效地從反饋中學習；由此改進算法及其計算係數，讓受控過程更為準確、高效和安全。

雲端和邊緣的能耗差異

在能源的使用規模層麵，雲計算和邊緣計算存在很大的實際差異。這兩種情況的能耗都必須降至最低；但數據中心的電力消耗十分巨大，據國際能源機構（IEA）估計
，約為240-340太瓦時（TWh），占全球需求的1%-1.3%。人工智能和機器學習將進一步加速能源消耗
；IEA預測在未來幾年內將增長20%-40%

，而這一數字的曆史數據僅為3%左右。

與遊戲和視頻流媒體等按需數據處理任務不同，AI包含學習和推理兩個階段；其中，學習階段借助數據集來訓練模型。據報道，ChatGPT在這個過程中消耗了超過1.2TWh的電力。另一方麵，根據de Vries的統計，處於推理或運行階段的LLM每天可能需要消耗564MWh的電力。

而在數據處理架構的另一端，物聯網（IoT）節點或可穿戴設備中的邊緣計算功耗可能不超過毫瓦級。即使對於電機控製和電池管理等工業及電動汽車（EV）類應用
，為控製電路預留的損耗預算也很小
，無法適應AI和機器學習引入帶來的大幅能耗提升。

因此，微型機器學習（tinyML）已發展為一個在設備上實施傳感器數據分析的應用及技術領域；同時
，其也經過優化，旨在實現極低功耗。

tinyML和電源管理

在具體應用中采用機器學習技術是一個涉及到多個維度的問題。舉例來說，tinyML可用於電池管理，其目標是在盡可能快速

、anquanbinggaoxiaochongdiandetongshi，yizuixiaodeyalikongzhifangdian。dianchiguanlihaihuijiankongdianchidejiankangzhuangkuang，bingzhudongpinghengdianxinyiquebaoqijunhenglaohua，congerhuodezuigaodekekaoxingheshiyongshouming。

受監控的參數包括單個電芯的電壓、電流和溫度
；管理係統通常需要預測電池的充電狀態（SOC）和健康狀況（SOH）。這些參數均為動態量，與電池的使用曆史及測量參數間存在複雜且多變的關係。

盡管任務複雜，但實現AI處理並不需要使用昂貴的GPU。ARM Cortex M0和M4係列等現代微控製器可輕鬆勝任電池管理中的機器學習任務，且它們的功耗很低，現已集成至針對該應用的專用片上係統（SoC）中。

電池管理IC十分常見，但在實施機器學習算法的MCU助力下，基於傳感器的曆史和當前數據的信息與模式可用於更好地預測SOC及SOH，同時確保高度安全性。與其它ML應用一樣
，這需要一個基於訓練數據的學習階段；數據可以來自包含不同環境條件和多個電池製造公差的日誌記錄
；在缺少現場實際數據的情況下，也可以利用建模得到的合成數據。

正如AI的(de)本(ben)質(zhi)一(yi)樣(yang)，模(mo)型(xing)可(ke)隨(sui)現(xian)場(chang)數(shu)據(ju)的(de)積(ji)累(lei)不(bu)斷(duan)更(geng)新(xin)，以(yi)擴(kuo)大(da)或(huo)縮(suo)小(xiao)應(ying)用(yong)規(gui)模(mo)
，或(huo)用(yong)於(yu)其(qi)它(ta)類(lei)似(si)係(xi)統(tong)。雖(sui)然(ran)學(xue)習(xi)過(guo)程(cheng)通(tong)常(chang)是(shi)應(ying)用(yong)投(tou)入(ru)使(shi)用(yong)前(qian)的(de)一(yi)項(xiang)工(gong)作(zuo)，但(dan)也(ye)可(ke)以(yi)成(cheng)為(wei)基(ji)於(yu)傳(chuan)感(gan)器(qi)數(shu)據(ju)的(de)後(hou)台(tai)任(ren)務(wu)
，在(zai)本(ben)地(di)或(huo)通(tong)過(guo)雲(yun)端(duan)進(jin)行(xing)離(li)線(xian)處(chu)理(li)
，以(yi)獲(huo)得(de)持(chi)續(xu)的(de)性(xing)能(neng)改(gai)進(jin)。自(zi)動(dong)機(ji)器(qi)學(xue)習(xi)（AutoML）工具結合電池管理SoC的評估套件可實現這一功能。

機器學習模型

在機器學習和電池管理等邊緣應用領域中，有多種可供選擇的模型。一個簡單的分類決策樹所占用資源很少，最多僅需幾千字節的RAM，但能夠為此類應用提供足夠的功能。該方法可將采集到的數據簡單地分為“正常”或“異常”
；示例如圖1所示。

圖1：在此決策樹分類器示例中

，“類別1” = 正常，“類別0” = 異常

此處使用兩個參數來描述多電芯電池組放電過程中的狀態：最強電芯的SOC（充電狀態），以及最強與最弱電芯間的電壓差。藍色和白色節點代表正常數據
；分類區域用藍色（“類別0”= 正常）和灰色（“類別1”= 異常）表示。

如要評估輸出數據的連續值，而不僅僅是類別，可以使用更複雜的回歸決策樹。其它常見的ML模型包括支持向量機（SVM）、核近似分類器、近鄰分類器、樸素貝葉斯分類器
、邏輯回歸和孤立森林。神經網絡建模可以包含在AutoML工具中，以增加複雜度為代價來提高性能。

一個ML應用程序的整個開發過程被稱為“MLOps”，即“ML Operations”



，包括數據的收集與整理，以及模型的訓練
、分析、部署和監控。圖2以圖形方式展示了使用PAC25140芯片的電池管理應用開發流程；該芯片可監控、控製和平衡由多達20個電芯組成的串聯電池組，適用於鋰離子、鋰聚合物或磷酸鐵鋰電池。

圖2：上述設計示例突出展示了tinyML開發流程

案例研究：弱電芯檢測

退化電芯檢測是電池SOH監測的一部分。這些電芯的特征之一可能體現為在負載下電池電壓異常偏低。然而，電壓還受實際放電電流、充電狀態和溫度的影響，如圖3所示
；圖中突出顯示了強弱電芯在不同溫度及負載電流下的示例曲線。

圖3：強
、弱電芯的放電曲線

圖3顯示了在電芯電量接近耗盡時，強弱電芯電壓間出現的顯著差異
；然而
，在此時檢測到弱電芯可能為時已晚
，無法避免過熱和安全問題。因此，實施ML成為一種解決方案，從而在放電周期的較早階段從數據中尋找相關模式。

ML方法的有效性在Qorvo進行的實驗中得到充分體現。該實驗將一顆弱電芯插入一個由10顆電芯組成的電池組
，並與一個狀態良好的電池組進行比較。兩組電芯在不同恒定電流倍率和溫度下放電，並生成訓練數據
；監測參數包括它們的電流、溫度、最強與最弱電芯電壓差，以及最強電芯的SOC。

在20個放電周期中
，每10秒對參數進行同步采樣，並使用表1所列的不同模型進行分析。將結果與20個放電周期的獨立測試數據進行比較，顯示兩種方法的一致性非常接近；隨著訓練樣本的增加
，其一致性將進一步提高。

圖4：從不同ML模型的訓練及測試數據中提取示例結果

SoC足以實現對ML的支持

雖然當前AI的關注焦點集中在大規模、高功率應用；然而，針對電池監測等應用，使用MCU和tinyML技術 的“邊緣部署型”AI也可以成為高性能、低功耗解決方案的一部分。在這種場景下，SoC解決方案擁有所需的全部處理能力，並可集成各種機器學習算法。

所有必要的傳感器和通信接口均已內置
；此外，SoC還擁有豐富的評估與設計工具生態係統的支持。

(來源：Qorvo半導體，作者：Paul Gorday，Qorvo DSP和機器學習技術總監)

免責聲明：本文為轉載文章，轉載此文目的在於傳遞更多信息，版權歸原作者所有。本文所用視頻
、圖片、文字如涉及作品版權問題
，請聯係小編進行處理。

推薦閱讀：

意法半導體公布2023年第四季度及全年財報和電話會議時間安排

百家跨國公司看中國丨意法半導體曹誌平：持續完善在華產業鏈部署

認識精密電阻的分類及核心參數

『這個知識不太冷』探索 RF 濾波器技術（下）

陶瓷電容器的絕緣電阻和漏電流