新世代的仿生感應器
隨著物聯網（IoT）科技的發展，擁有輕巧、低功耗、即時三項特性的感應器就顯得非常重要，因為物聯網時代處處佈滿感應器，監測你身邊的大小事，甚至還有你的健康狀況，如此一個龐大的感測器網路，將會需要大量的平行處理，與衍生出巨大的功耗，即使每一個傳統感測器的能源消耗並不多。近來很多在機器學習領域的嘗試，希望能以人工神經網路（artificial neural network）等方式增進感應器的資料處理與校正能力，讓感應器變得更聰明，以降低運算量。
然而近十多年來，一個全新的感應器設計概念漸漸嶄露頭角──仿神經（neuromorphic），這個全新的設計概念促使低功耗（low-power）自適應（self-adapting）感測器，進入典範轉移（paradigm shift）狀態。仿神經顧名思義是以生物體神經系統運作概念為本的設計理念，與傳統感應器的關鍵差異在於將資訊以神經動作電位（action potential）的形式傳遞，而不是一般認知的數值資訊。現今仿神經電路的實作類比與數位都有，是一個發展蓬勃的新領域。作者舉出三種目前研究熱度最高的仿神經感應器，視覺、聽覺和嗅覺：
1）仿神經視覺感測器是目前發展最熱絡的部分，迥異於大眾印象中的攝影機紀錄以幀（frame）為單位的資料，是以事件（event）為訊息單位。基於生物視網膜的三階段訊號處理模型，感光細胞（photoreceptor）接收光刺激，下游的雙極細胞（bipolar cell）和開關節細胞（ON/OFF ganglia cell）將輸出資訊為ON/OFF，也就是說和上一個狀態相比，光刺激是增強或減弱，若沒有變化則沒有額外資訊。這樣運作的相機被稱作動態視覺感測器（dynamic vision sensor, DVS），只處理有訊息變化的像素，使得資料量相對每一幀都完整輸出的傳統相機大幅降低。
2）聽覺感測器要解決的問題和視覺十分相似，傳統聲音感應器根據應用需要不同的採樣率（sampling rate），接續高精度類比數位轉換與濾波器等步驟處理每一個採樣點的資料，本質是一樣是以幀為基礎（frame-based）的運算。仿神經電子耳以耳蝸（cochlea）中基底膜（basilar membrane）轉換不同頻率的工作原理出發，一系列的低通濾波器模擬不同毛細胞（hair cell）對不同頻率的選擇性，一樣可以針對各頻段的聲音事件做出反應。
3）傳統嗅覺感測器需要大量特徵抽取（feature extraction）、樣式辨識（pattern recognition）過程，仿神經電子鼻（electronic nose）的目標就是突破這部分的運算瓶頸，有許多不同的實作方式，主要架構是有一個感測器陣列，分別偏好不同的化學物質，接著信號處理單元，再進入樣式辨識單元。這些單元都能以仿神經迴路實作，以達到低耗能、高運算效率的結果。但目前尚未有比較完整的產品實作。
以上事件基礎（event-based）的資料輸出，主流會搭配AER（address event representation）的溝通協定，能展現仿神經運算的即時、非同步（asynchronous）之特性。因應事件基礎的感應器輸出，仿神經運算晶片（neuromorphic processor）也被發展出來，硬體上實現脈衝式神經網路（spiking neural network, SNN），高度平行化運算解決傳統電腦馮紐曼架構（Von Neumann architecture）不善於處理非同步資料的缺點。
仿神經的設計理念，在只傳遞必要的資料，並且具有高度適應性與容錯性（fault-tolerant），且能進一步實現生物上的學習機制。作者在文中另提到，事實上所有的感應器都能有仿神經的實現方式，包括味覺、壓力、震動、溫度等，低功耗的特性讓仿神經系統具應用於系統單晶片（system on chip, SoC）的能力，有很大的物聯網應用潛力。
撰文：姚皇宇
原始文獻：
1. Vanarse, A., Osseiran, A. & Rassau, A. A Review of Current Neuromorphic Approaches for Vision, Auditory, and Olfactory Sensors. Front. Neurosci. 10, (2016).
2. Vanarse, A., Osseiran, A. & Rassau, A. Neuromorphic engineering — A paradigm shift for future IM technologies. IEEE Instrumentation Measurement Magazine 22, 4–9 (2019).
https://ieeexplore.ieee.org/document/8674627
然而近十多年來，一個全新的感應器設計概念漸漸嶄露頭角──仿神經（neuromorphic），這個全新的設計概念促使低功耗（low-power）自適應（self-adapting）感測器，進入典範轉移（paradigm shift）狀態。仿神經顧名思義是以生物體神經系統運作概念為本的設計理念，與傳統感應器的關鍵差異在於將資訊以神經動作電位（action potential）的形式傳遞，而不是一般認知的數值資訊。現今仿神經電路的實作類比與數位都有，是一個發展蓬勃的新領域。作者舉出三種目前研究熱度最高的仿神經感應器，視覺、聽覺和嗅覺：
1）仿神經視覺感測器是目前發展最熱絡的部分，迥異於大眾印象中的攝影機紀錄以幀（frame）為單位的資料，是以事件（event）為訊息單位。基於生物視網膜的三階段訊號處理模型，感光細胞（photoreceptor）接收光刺激，下游的雙極細胞（bipolar cell）和開關節細胞（ON/OFF ganglia cell）將輸出資訊為ON/OFF，也就是說和上一個狀態相比，光刺激是增強或減弱，若沒有變化則沒有額外資訊。這樣運作的相機被稱作動態視覺感測器（dynamic vision sensor, DVS），只處理有訊息變化的像素，使得資料量相對每一幀都完整輸出的傳統相機大幅降低。
2）聽覺感測器要解決的問題和視覺十分相似，傳統聲音感應器根據應用需要不同的採樣率（sampling rate），接續高精度類比數位轉換與濾波器等步驟處理每一個採樣點的資料，本質是一樣是以幀為基礎（frame-based）的運算。仿神經電子耳以耳蝸（cochlea）中基底膜（basilar membrane）轉換不同頻率的工作原理出發，一系列的低通濾波器模擬不同毛細胞（hair cell）對不同頻率的選擇性，一樣可以針對各頻段的聲音事件做出反應。
3）傳統嗅覺感測器需要大量特徵抽取（feature extraction）、樣式辨識（pattern recognition）過程，仿神經電子鼻（electronic nose）的目標就是突破這部分的運算瓶頸，有許多不同的實作方式，主要架構是有一個感測器陣列，分別偏好不同的化學物質，接著信號處理單元，再進入樣式辨識單元。這些單元都能以仿神經迴路實作，以達到低耗能、高運算效率的結果。但目前尚未有比較完整的產品實作。
以上事件基礎（event-based）的資料輸出，主流會搭配AER（address event representation）的溝通協定，能展現仿神經運算的即時、非同步（asynchronous）之特性。因應事件基礎的感應器輸出，仿神經運算晶片（neuromorphic processor）也被發展出來，硬體上實現脈衝式神經網路（spiking neural network, SNN），高度平行化運算解決傳統電腦馮紐曼架構（Von Neumann architecture）不善於處理非同步資料的缺點。
仿神經的設計理念，在只傳遞必要的資料，並且具有高度適應性與容錯性（fault-tolerant），且能進一步實現生物上的學習機制。作者在文中另提到，事實上所有的感應器都能有仿神經的實現方式，包括味覺、壓力、震動、溫度等，低功耗的特性讓仿神經系統具應用於系統單晶片（system on chip, SoC）的能力，有很大的物聯網應用潛力。
撰文：姚皇宇
原始文獻：
1. Vanarse, A., Osseiran, A. & Rassau, A. A Review of Current Neuromorphic Approaches for Vision, Auditory, and Olfactory Sensors. Front. Neurosci. 10, (2016).
2. Vanarse, A., Osseiran, A. & Rassau, A. Neuromorphic engineering — A paradigm shift for future IM technologies. IEEE Instrumentation Measurement Magazine 22, 4–9 (2019).
https://ieeexplore.ieee.org/document/8674627
留言
張貼留言