Cóclea de Silício de Baixo Consumo Permite Sensoriamento de Voz Ultra-Eficiente

À medida que assistentes ativados por voz se tornam cada vez mais comuns, a demanda por sensoriamento de áudio sempre ligado e energeticamente eficiente disparou. Engenharia neuromórfica de ponta agora oferece uma resposta convincente: uma cóclea de silício que espelha a biomecânica do ouvido humano para entregar detecção de fala de baixa latência e baixo consumo.

A Cóclea de Silício: Um Front-End de Áudio Bio-Inspirado

A Professora Shih-Chii Liu e sua equipe no Institute of Neuroinformatics (INI) conquistaram o Prêmio Misha Mahowald 2020 de Engenharia Neuromórfica por seu sensor de áudio dinâmico (DAS). O núcleo do DAS é uma cóclea de silício que emula as células ciliadas do ouvido: som de entrada é primeiro filtrado em um banco de filtros passa-banda analógicos, depois semi-onda retificado para replicar a transdução mecânica das células ciliadas da cóclea.

Sistemas de áudio convencionais primeiro digitalizam o som, depois extraem características com FFT e BPF antes de alimentá-los a um DSP. Em contraste, o DAS INI-Zurique transmite bandas de áudio analógicas como trens de spikes assíncronos que são processados diretamente por redes neurais downstream.

Após a filtragem inicial, o sistema converte os sinais retificados em spikes elétricos — seja via mecanismo clássico integrate-and-fire ou um modulador delta assíncrono (ADM). O ADM compara o sinal contra dois limiares, emitindo eventos apenas quando mudanças ocorrem. Essa codificação orientada a eventos suprime informação estática, reduzindo drasticamente tráfego de dados e, consequentemente, consumo de energia.

Do ponto de vista energético, a cóclea de silício permanece virtualmente ociosa quando nenhum som está presente, mas seu consumo de energia escala com a atividade. Para aplicações que envolvem longos períodos de silêncio pontuados por breves explosões de fala — típicas de muitos cenários ativados por voz — esse perfil de energia dinâmico oferece vantagem distinta. Além disso, a representação de spikes em tempo contínuo suporta uma faixa dinâmica excepcionalmente ampla, pois spikes podem ser espaçados arbitrariamente longe ou agrupados firmemente.

De Spikes para Reconhecimento de Fala

Os streams de eventos do DAS podem ser convertidos em frames 2D de cocleagrama — histogramas de spikes agrupados por frequência em intervalos de 5 ms. Esses cocleagramas são então alimentados a uma rede neural profunda leve que decodifica palavras faladas. Liu observa que "redes profundas em um sensor são de grande interesse para a comunidade IEEE ISSCC e são oportunas dado o boom atual em computação de borda de áudio." Embora muitos ASICs de baixo consumo para keyword spotting dependam de características de espectrograma convencionais, a abordagem híbrida analógico-digital de Liu promete consumo de energia ainda menor e latência mais rápida.

No ano passado, o INI lançou um vídeo de demonstração no qual o sistema reconhece dígitos falados. Embora ainda em estágios iniciais, o protótipo demonstra o potencial de cócleas de silício para keyword spotting real. A equipe de Liu também explorou fusão de sensores, combinando áudio com pistas visuais para melhorar precisão de classificação, e publicou diretrizes de design que ajudam engenheiros a decidir quando sensoriamento analógico é mais vantajoso.

Misha Mahowald, inventora da representação address-event e homônima do Prêmio de Engenharia Neuromórfica.

Pesquisa contínua foca em reduzir ainda mais energia e melhorar desempenho. Inovações incluem otimizar filtros passa-banda source-follower e refinar extratores de características analógicas. Para mitigar variabilidade inerente a circuitos analógicos, a equipe construiu um emulador de hardware que acelera testes e permite treinar redes neurais binárias em software, prevendo com precisão desempenho do chip real. Eles também estão experimentando injeção de ruído controlado para tornar designs mais robustos.

Reconhecimento e Impacto

Professora Liu, pioneira em engenharia neuromórfica que treinou no laboratório de Carver Mead no Caltech, destacou a significância do Prêmio Mahowald: "Esta honra ressalta décadas de trabalho fundamental — de Dick Lyon a Carver Mead e além." Ela enfatiza que, à medida que a Lei de Moore desacelera, sistemas híbridos analógico-digital como o DAS se tornarão cada vez mais vitais, potencialmente superando computação digital por ordens de magnitude em eficiência energética.

Referências

[1] D. Neil e S. C. Liu, "Effective sensor fusion with event-based sensors and deep network architectures," em Proceedings – IEEE International Symposium on Circuits and Systems, Jul. 2016, vol. 2016-July, pp. 2282–2285, doi: 10.1109/ISCAS.2016.7539039.

[2] S. C. Liu, B. Rueckauer, E. Ceolini, A. Huber, e T. Delbruck, "Event-Driven Sensing for Efficient Perception: Vision and audition algorithms," IEEE Signal Process. Mag., vol. 36, no. 6, pp. 29–37, Nov. 2019, doi: 10.1109/MSP.2019.2928127.

[3] M. Yang, S.-C. Liu, M. Seok, e C. Enz, "Ultra-Low-Power Intelligent Acoustic Sensing using Cochlea-Inspired Feature Extraction and DNN Classification."

[4] M. Yang, C. H. Chien, T. Delbruck, e S. C. Liu, "A 0.5 V 55 µW 64 × 2 Channel Binaural Silicon Cochlea for Event-Driven Stereo-Audio Sensing," IEEE J. Solid-State Circuits, vol. 51, no. 11, pp. 2554–2569, Nov. 2016, doi: 10.1109/JSSC.2016.2604285.

> > Este artigo foi publicado originalmente em nosso site parceiro, EE Times.