Time Encoded Voice Interfaces

Projektbeschreibung

Sensorkodierung und -interaktionen

Sensoren mit extrem geringem Stromverbrauch und künstlicher Intelligenz erfordern einen Analog-Digital-Umsetzer, bevor der Signalverarbeitungsblock mit einem neuronalen Netzwerk umgesetzt wird. Analog-Digital-Umsetzer wurden basierend auf einem spannungsgesteuerten Oszillator zur Realisierung von integrierten Sensoren eingesetzt. Dazu muss eine neue Multiplikations-Akkumulations-Zelle (MAC) für die erste Schicht des neuronalen Netzwerks entwickelt werden, die mit Signalen vom spannungsgesteuerten Oszillator sowie mit einer geeigneten Schnittstelle des spannungsgesteuerten Oszillators mit vorhandenen Sensoren arbeitet. Verfahren, die darauf abzielen, eine Sensorinteraktion unter Verwendung eines spannungsgesteuerten Oszillators anzuwenden und eine phasen-/frequenzcodierte Multiplikations-Akkumulations-Einheit für das neuronale Netzwerk umzusetzen, werden jedoch separat erprobt. Das EU-finanzierte Projekt TEVI zielt darauf ab, beide Verfahren zugunsten von Forschungs- und Industrieanwendungen zu kombinieren. Dazu wird der Analog-Digital-Umsetzer vor dem neuronalen Netzwerk entfernt. Der Sensor wird direkt an das Netzwerk angeschlossen und die Sensorsignale werden mit einem spannungsgesteuerten Oszillator kodiert.

Ziel

The research of this EID focuses on ultra-low power sensors incorporating artificial intelligence. The current solution for such systems requires an analog-to-digital converter (ADC) prior to the signal processing block, usually implemented with a neural network (NN). The innovation consists of removing the ADC prior to the NN by directly coupling the sensor to it and encoding the sensor signals with a voltage-controlled-oscillator (VCO). VCO-based ADCs have been used to implement integrated sensors. Achieving this goal requires to develop a new multiply-accumulate cell (MAC) for the first layer of the NN that operates with signals from the VCO, and a suitable VCO interfaces with existing sensors. In most applications, the raw data form the sensor is required as well. Here, signals coming from the VCO can also be converted to a sampled sequence by enabling a digital decoder, which is not needed when detecting a pattern in the NN. As a benefit, power consumption can meet the requirements of battery-operated products. Power improvement comes from both the ADC removal and the power efficiency of the NN implementation. Approaches to implement a sensor interface using a VCO and to implement a phase/frequency-encoded MAC unit (P-MAC) for a NN have been attempted separately but, there is no combination of both ideas. The research in this EID tries to bridge this gap. This architecture can be useful for both research and industrial applications, such as neural probe chips, wearable electronics or battery powered IoT devices. This EID proposal requires intersectoral involvement of both academia and the industry, to develop a doctoral program and train researchers that will be in high demand by having the specific skills developed in this research. We have selected waterproof smart microphones as an application to benefit from this research, which may directly lead to a product development of interest to microelectronic industries in the EU producing MEMS microphones.