科学家发明了近传感器计算和传感器内计算技术，边缘计算更加“稳定”

说到边缘计算，你可能会觉得晦涩难懂，但你对octopus肯定不陌生。
章鱼是一种无脊椎动物，全身覆盖着神经元，但它的大脑只有40%的神经元，剩下的60%神经元在它的八条腿上(腕足动物)。这意味着章鱼有“多个小脑和一个大脑”。这种分布式结构使它在捕猎时非常敏捷，当它的腿收到信号时，它可以在附近捕猎。
图|章鱼(图片来源：IC photo)
边缘计算的结构和octopus很像。它是一种分布式计算。获取信息后，无需向远程管理平台上传大量数据，即可就近处理。
说到边缘计算，就不得不提传感器了。在当前的传感器网络中，节点数量迅速增加，传感器终端和计算单元之间交换大量冗余数据。如何在处理大量数据的同时降低功耗，是边缘计算迫切需要解决的问题。
有鉴于此，香港理工大学应用物理系副教授柴洋最近发表了题为《自然电子学》的论文《近传感器计算与传感器内计算》(近传感器和传感器内计算)，创造性地提出了近传感器计算和传感器内计算的方法。
图| 《近传感器计算与传感器内计算》(来源：自然)
柴阳告诉DeepTech，近传感器计算和传感器内计算的方法可以减少传感器终端和计算单元之间的冗余数据移动。当计算任务部分转移到传感器终端时，可以降低能耗和时延，节省通信带宽，增强数据安全性和隐私性。
不同的架构，不同的层面说说数据处理在某些情况下传感器端更好的原因。柴阳解释说，物联网传感器采集的数据基本是非结构化的，所以必须先对数据进行处理。一个完整的传感系统需要传感器和运算单元。但实际上传感器的制造工艺和运算器有很大的不同。以图像传感器为例，使用65nm节点是非常先进的技术。如果要做计算，最先进的半导体技术已经发展到5 nm节点。
此外，传感器和运算单元通常由不同的工艺制造，然后组装成一个完整的系统。系统中的传感器和运算单元之间的距离很远。更多情况下，传感器收集数据，上传到云端，进行计算处理。那么什么情况下把数据处理放在传感器端比放在云端更好呢？
柴阳表示，这主要是出于两个刚性需求的考虑：第一个考虑是用电量。传感器通常由电池供电。因为功率有限，他们无法进行太复杂的计算。复杂的计算一般会上传到云端做进一步处理；第二个考虑的是时间，也就是实时处理。
比如自动驾驶对时延非常敏感，如果传输到云端处理后再传输回来，会给安全驾驶带来很大的挑战。因此，简单且对时间敏感的数据处理在传感器端比在云中更好。一般来说，传感器和计算单元由不同的材料制成，因此它们的功能、结构、设计和处理系统是不同的。
在传统的感知计算架构中，传感器和计算单元在物理空间上是分离的，它们之间有很长的物理距离。然而，在近传感器计算和传感器内计算架构中，传感器和计算单元之间的距离通常被显著减小或消除。例如，在近传感器计算架构中，前端处理单元放置在传感器旁边，这意味着处理单元可以提高系统的整体性能，最大限度地减少冗余数据传输；在传感器内计算架构中，单个传感器或多个连接的传感器可以直接处理收集的信息。这种设计可以将感测和计算功能结合在单个设备中。
图|不同的计算架构
图|具有用于神经网络中乘法和累加运算的可重构传感器的传感器内计算架构的示意图
柴阳表示：“近传感器计算面临的一大挑战是传感器单元和计算单元的集成。例如，计算单元已经采用了非常先进的技术节点，大多数传感器都可以基于大节点技术很好地执行其功能。近传感器计算的集成技术包括异构集成、3D单片集成、片上系统集成和2.5D小芯片技术等。其中，3D单片集成提供了高密度和短距离的系统集成方法，但其复杂的制备工艺和散热仍面临很大挑战。”
图|接近传感器和传感器内计算的集成技术
虽然传感器内计算架构已被证明是一种结合计算和传感能力的方法，但它们通常只适用于特定的场景。此外，它们只能在早期发展阶段通过新材料和新器件结构来实现。“近传感器计算和传感器内计算是一个跨学科的研究领域，涵盖材料、器件、电路、架构、算法和集成技术，”柴阳说。“这些架构非常复杂，因为它们需要在不同的场景中处理大量不同类型的信号。近传感器计算和传感器内计算的成功部署需要传感器、设备、集成技术和算法的联合开发和优化。”
在这项研究中，该团队提供了近传感器计算和传感器计算的明确定义，他们将信息处理分为低级处理和高级处理。低级处理，即通过抑制不必要的噪声或失真，或通过增强进一步处理的特征，有选择地从大量原始数据中提取有用的数据；高级加工，即抽象表征，涉及认知过程，可以识别输入信号是“什么”或“在哪里”。最后，除了为近传感器计算和传感器内计算提供可靠的定义，研究人员还提出了实现集成传感和处理单元的可能解决方案。在未来，他们的工作可以刺激进一步的研究，旨在使用先进的制造技术来实现这些架构或硬件组件。
实际上，还有很长的路要走。也就是说，接近传感器和传感器的计算方法是实现智能传感器处理的高效硬件的一种可能途径。在传感器端直接处理数据可以提供改进的面积、时间和能量效率，并且在实时和数据密集型应用中尤其有益。
然而，要实现传感器附近的低级和高级处理功能，需要开发先进的集成技术和新的计算算法。还需要开发具有新功能和新机制的设备，以及合适的算法，以在传感器中实现计算。
虽然在传感器计算方面显示出潜力，但目前大部分设备都处于研发初期，由于功能有限，仅限于特定的应用场景。此外，到目前为止，只有有限的完整处理和与外设控制的大规模集成的演示，这对传感器处理架构的未来至关重要。同时，柴阳告诉DeepTech，自动驾驶应该是一个比较好的切入点。一旦目前的“瓶颈”被打破，可能会有更多的新应用出现。
上海有一家公司叫新伦科技。他们开发的动态视觉传感器(DVS)用于车辆上收集图像，然后做一些实时分析。他们在这方面做得很好，用的是近感计算，非常接近实用，在国内也是领先的。虽然柴阳的团队目前专注于视觉传感器，但近传感器和传感器内计算方法也可以扩展到其他类型的传感器，如听觉、触觉、味觉信号、化学信号甚至生物信号的传感器。
于玉成，柴阳，不忘初心，HKUST电子工程系博士；之后在斯坦福大学进行博士后研究；之后，我会在香港理工大学继续我的电子器件研究。
在谈到成绩时，柴阳还提到，香港高校的一些老师做得非常成功，比如DJI创新、商汤科技、晶科电子，都是从香港高校孵化出来的。谈及此，柴阳还表达了对粤港澳大湾区未来发展的期待。“现在国家对大湾区提出了一些新政策，港府也推出了一系列支持科技创新的政策。整个科技创新生态一定会变得更好。虽然这个过程可能会比较漫长，但我希望最终的研究成果能够解决一些现有的科学工程问题，产生一些实用的东西。”