Une cochlée silicium basse consommation permet la détection vocale ultra-efficace

Alors que les assistants vocaux deviennent toujours plus courants, la demande pour une détection audio toujours active et économe en énergie a explosé. L'ingénierie neuromorphique de pointe offre désormais une réponse convaincante : une cochlée silicium qui mime la biomécanique de l'oreille humaine pour délivrer une détection de parole à faible latence et faible consommation.

La cochlée silicium : un front-end audio bio-inspiré

Le Professeur Shih-Chii Liu et son équipe à l'Institut de Neuroinformatique (INI) ont remporté le Prix Misha Mahowald 2020 pour l'Ingénierie Neuromorphique pour leur capteur audio dynamique (DAS). Le cœur du DAS est une cochlée silicium qui émule les cellules ciliées de l'oreille : le son entrant est d'abord filtré en une banque de filtres passe-bande analogiques, puis redressé à demi-onde pour répliquer la transduction mécanique des cellules ciliées cochléaires.

Les systèmes audio conventionnels numérisent d'abord le son, puis extraient des caractéristiques avec FFT et BPF avant de les alimenter à un DSP. En contraste, le DAS INI-Zurich transmet des bandes audio analogiques comme des trains de spikes asynchrones traités directement par des réseaux de neurones en aval.

Après le filtrage initial, le système convertit les signaux redressés en pics électriques — soit via un mécanisme classique integrate-and-fire, soit via un modulateur delta asynchrone (ADM). L'ADM compare le signal contre deux seuils, émettant des événements seulement quand des changements surviennent. Cet encodage piloté par événements supprime l'information statique, réduisant dramatiquement le trafic de données et, par conséquent, la consommation d'énergie.

D'un point de vue énergétique, la cochlée silicium reste virtuellement inactive quand aucun son n'est présent, mais sa consommation évolue avec l'activité. Pour applications impliquant de longues périodes de silence ponctuées de brèves rafales de parole — typiques de nombreux scénarios à activation vocale — ce profil de puissance dynamique offre un avantage distinct. De plus, la représentation continue par spikes supporte une plage dynamique exceptionnellement large, car les spikes peuvent être espacés arbitrairement loin ou groupés serrés.

Des spikes à la reconnaissance vocale

Les flux d'événements du DAS peuvent être convertis en trames 2D de cochléagrammes — histogrammes de spikes regroupés par fréquence sur intervalles de 5 ms. Ces cochléagrammes sont ensuite alimentés à un réseau de neurones profond léger qui décode les mots parlés. Liu note que « les réseaux profonds sur un capteur intéressent grandement la communauté IEEE ISSCC et sont opportuns vu l'essor actuel de l'audio edge computing. » Bien que de nombreux ASICs basse consommation pour la détection de mots-clés reposent sur des caractéristiques spectrogrammes conventionnelles, l'approche hybride analogique-numérique de Liu promet une consommation encore plus faible et une latence plus rapide.

L'an dernier, l'INI a publié une vidéo de démonstration où le système reconnaît des chiffres parlés. Bien qu'encore aux premiers stades, le prototype montre le potentiel des cochlées silicium pour la détection de mots-clés réelle. L'équipe de Liu a aussi exploré la fusion de capteurs, combinant audio et indices visuels pour améliorer la précision de classification, et a publié des lignes directrices de conception aidant les ingénieurs à décider quand la détection analogique est la plus avantageuse.

Misha Mahowald, inventrice de la représentation address-event et homonyme du Prix d'Ingénierie Neuromorphique.

La recherche en cours se concentre sur la réduction supplémentaire de la consommation et l'amélioration des performances. Innovations incluent l'optimisation des filtres passe-bande source-follower et l'affinage d'extracteurs de caractéristiques analogiques. Pour atténuer la variabilité inhérente aux circuits analogiques, l'équipe a construit un émulateur matériel qui accélère les tests et permet d'entraîner des réseaux de neurones binaires en logiciel, prédisant précisément la performance de la vraie puce. Ils expérimentent aussi l'injection de bruit contrôlé pour rendre les designs plus robustes.

Reconnaissance et impact

Le Professeur Liu, pionnière en ingénierie neuromorphique formée au labo de Carver Mead à Caltech, a souligné la signification du Prix Mahowald : « Cet honneur souligne des décennies de travail fondamental — de Dick Lyon à Carver Mead et au-delà. » Elle insiste que, alors que la Loi de Moore ralentit, les systèmes hybrides analogique-numérique comme le DAS deviendront de plus en plus vitaux, potentiellement surpassant le calcul digital d'ordres de grandeur en efficacité énergétique.

Références

[1] D. Neil and S. C. Liu, « Effective sensor fusion with event-based sensors and deep network architectures, » in 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, and 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, and C. Enz, « Ultra-Low-Power Intelligent Acoustic Sensing using Cochlea-Inspired Feature Extraction and DNN Classification. »

[4] M. Yang, C. H. Chien, T. Delbruck, and 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.

> > Cet article a été publié à l'origine sur notre site frère, EE Times.