為了推動微機電系統 (MEMS) 的創新，意法半導體推出了一款集信號處理、人工智能和 MEMS 傳感器于一體的節能系統。

通過集成機械和電氣功能，MEMS 技術結合了微型化機電組件，例如微型傳感器和微型致動器。 

這些器件通常使用多種工業工藝制造，包括大規模集成 (VLSI) 技術、微加工、IC 工藝序列等。

MEMS傳感器的一個例子。圖片由博世提供

最近，為了不斷突破 MEMS 技術的界限，意法半導體開發了一種MEMS 傳感器，將數字信號處理 (DSP) 和 AI 算法集成在同一硅片上。

在本文中，我們將探討人工智能如何在 MEMS 設備中發揮作用、面臨的挑戰以及 ST 的最新版本。 

人工智能如何在 MEMS 上擴展？

研究人員和設計人員正在夜以繼日地將人工智能集成到 MEMS中，以提高性能并擴展 MEMS 設備的用例。 

考慮到這一點，新型AI-MEMS 架構正在興起。 

一種這樣的架構利用具有非線性動力學的諧振器來實現機械領域的機器學習 (ML) 處理。

來自舍布魯克大學的 MEMS 設備示例。圖片由Dion 等人提供

2018 年，加拿大舍布魯克大學的研究人員通過引入儲層計算實現了一個里程碑，該計算允許 MEMS 振蕩器進行時間序列預測和口語單詞分類。 

研究人員利用了硅束的非線性動力學，它在空間中以比人類頭發細 20 倍的寬度振蕩。 

據說這種振蕩的結果被用來構建一個虛擬神經網絡，將輸入信號投影到神經網絡計算所需的更高維空間中。 

這種 AI-MEMS 使用加速度計簡化了機器人的機械功能，可以為機器人生成控制信號。

一般來說，制造可擴展的 AI-MEMS 架構可加速 MEMS 設備和信號處理的多功能性。 

除了提供改進的性能外，它還可以消除對外部微處理器和現場可編程門陣列 (FPGA) 的使用。

MEMS 上的人工智能面臨的挑戰

當遇到挑戰時，MEMS 設計人員在制造 MEMS 器件時會面臨一些陷阱和設計限制。 

在智能 MEMS 傳感器中獲取真實數據需要使用更高分辨率的模數轉換器。因此，10 位分辨率的模數轉換器可能對健康監測等特定應用沒有幫助。 

此外，在處理數據以進行數據傳輸時，有限的帶寬可能會帶來挑戰并截斷數據處理。

設計人員在制造集成 ML 算法的最先進的 MEMS 傳感器時也面臨挑戰。 

采用支持向量機 (SVM) 等分類算法的 MEMS 傳感器需要大內存來存儲大量現實生活中的數據集。

盡管將 AI 和 ML 整合到 MEMS 設備中存在挑戰，但 ST 希望讓它變得更容易。 

智能傳感器處理單元滿足 MEMS 傳感器

為了克服與在 MEMS 上制造 AI 相關的所有潛在挑戰，ST 推出了智能傳感器處理單元 (ISPU)，它將 DSP 與 IC 上的 MEMS 傳感器集成在一起。 

可編程 DSP 具有單周期 16 位乘法器，可以通過 16 位可變長度指令輕松操作。它還包括一個全精度浮點單元。

ST 的 ISPU 概述。圖片由意法半導體提供

ISPU 促進了量化 AI 傳感器中的全到單位精度神經網絡。 

借助在 DSP 上運行的 AI 算法，ISPU 通過分析慣性數據來提高活動識別和異常檢測任務的準確性和效率。 

此外，ISPU 支持邊緣 AI 計算，允許使用 AI 商業模型開發 MEMS 傳感器算法，同時最大限度地提高超低功耗。 

ST 還聲稱，該產品有望將功率降低多達 80%，同時減小系統級封裝設備的尺寸。 

STMicroelectronics MEMS 子集團執行副總裁 Andrea Onetti 在談到該產品時表示，新時代——“ Onlife Era ”——旨在通過減少數據傳輸來推進傳感器功能以加快決策速度，并通過保留數據來增強隱私本地化，同時減小尺寸和功耗，從而降低成本。

總而言之，在實現最大隱私的同時，Onlife Era 旨在引入能夠感知現實生活數據、處理復雜 AI 算法并采取智能實時行動的 MEMS 設備。