**如今，****數(shù)據(jù)處理架構(gòu)呈現(xiàn)出一種“分裂”的特性。**擁有龐大規(guī)模和計算能力的“云”計算成為了關(guān)注焦點，而“邊緣”計算將處理過程置于“一線”，連接著電子設(shè)備與真實世界。在云端，數(shù)據(jù)存儲量巨大，處理過程需要排隊和調(diào)度；而在邊緣，處理工作則有針對性地即時完成。

這使得系統(tǒng)能夠針對本地指令和應(yīng)用程序反饋做出快速響應(yīng)，同時減少數(shù)據(jù)流量，以確保處理過程更加安全。當然，這兩個區(qū)域也會進行交互，邊緣節(jié)點將數(shù)據(jù)傳回云端，實現(xiàn)跨設(shè)備或地點的匯總與分析；而全局指令和固件更新則反向傳遞至邊緣。

這兩種處理環(huán)境都得益于人工智能（AI）和機器學(xué)習(xí)（ML）的最新發(fā)展。例如，在數(shù)據(jù)中心，包含數(shù)萬顆處理器（主要為GPU）的數(shù)千臺服務(wù)器執(zhí)行大規(guī)模并行計算，以生成和運行ChatGPT等大語言模型（LLM）。從某些指標看，這些平臺的性能現(xiàn)在已經(jīng)超越了人類。

**在邊緣，處理過程根據(jù)操作算法對反饋傳感器和指令做出反應(yīng)。**但借助機器學(xué)習(xí)，算法現(xiàn)也能夠有效地從反饋中學(xué)習(xí)；由此改進算法及其計算系數(shù)，讓受控過程更為準確、高效和安全。

云端和邊緣的能耗差異

在能源的使用規(guī)模層面，云計算和邊緣計算存在很大的實際差異。這兩種情況的能耗都必須降至最低；但數(shù)據(jù)中心的電力消耗十分巨大，據(jù)國際能源機構(gòu)（IEA）估計，約為240-340太瓦時（TWh），占全球需求的1%-1.3%。人工智能和機器學(xué)習(xí)將進一步加速能源消耗；IEA預(yù)測在未來幾年內(nèi)將增長20%-40%，而這一數(shù)字的歷史數(shù)據(jù)僅為3%左右。

與游戲和視頻流媒體等按需數(shù)據(jù)處理任務(wù)不同，AI包含學(xué)習(xí)和推理兩個階段；其中，學(xué)習(xí)階段借助數(shù)據(jù)集來訓(xùn)練模型。據(jù)報道，ChatGPT在這個過程中消耗了超過1.2TWh的電力。另一方面，根據(jù)de Vries的統(tǒng)計，處于推理或運行階段的LLM每天可能需要消耗564MWh的電力。

而在數(shù)據(jù)處理架構(gòu)的另一端，物聯(lián)網(wǎng)（IoT）節(jié)點或可穿戴設(shè)備中的邊緣計算功耗可能不超過毫瓦級。即使對于電機控制和電池管理等工業(yè)及電動汽車（EV）類應(yīng)用，為控制電路預(yù)留的損耗預(yù)算也很小，無法適應(yīng)AI和機器學(xué)習(xí)引入帶來的大幅能耗提升。

因此，微型機器學(xué)習(xí)（tinyML）已發(fā)展為一個在設(shè)備上實施傳感器數(shù)據(jù)分析的應(yīng)用及技術(shù)領(lǐng)域；同時，其也經(jīng)過優(yōu)化，旨在實現(xiàn)極低功耗。

tinyML和電源管理

在具體應(yīng)用中采用機器學(xué)習(xí)技術(shù)是一個涉及到多個維度的問題。舉例來說，tinyML可用于電池管理，其目標是在盡可能快速、安全并高效充電的同時，以最小的壓力控制放電。電池管理還會監(jiān)控電池的健康狀況，并主動平衡電芯以確保其均衡老化，從而獲得最高的可靠性和使用壽命。

受監(jiān)控的參數(shù)包括單個電芯的電壓、電流和溫度；管理系統(tǒng)通常需要預(yù)測電池的充電狀態(tài)（SOC）和健康狀況（SOH）。這些參數(shù)均為動態(tài)量，與電池的使用歷史及測量參數(shù)間存在復(fù)雜且多變的關(guān)系。

盡管任務(wù)復(fù)雜，但實現(xiàn)AI處理并不需要使用昂貴的GPU。ARM Cortex M0和M4系列等現(xiàn)代微控制器可輕松勝任電池管理中的機器學(xué)習(xí)任務(wù)，且它們的功耗很低，現(xiàn)已集成至針對該應(yīng)用的專用片上系統(tǒng)（SoC）中。

電池管理IC十分常見，但在實施機器學(xué)習(xí)算法的MCU助力下，基于傳感器的歷史和當前數(shù)據(jù)的信息與模式可用于更好地預(yù)測SOC及SOH，同時確保高度安全性。與其它ML應(yīng)用一樣，這需要一個基于訓(xùn)練數(shù)據(jù)的學(xué)習(xí)階段；數(shù)據(jù)可以來自包含不同環(huán)境條件和多個電池制造公差的日志記錄；在缺少現(xiàn)場實際數(shù)據(jù)的情況下，也可以利用建模得到的合成數(shù)據(jù)。

正如AI的本質(zhì)一樣，模型可隨現(xiàn)場數(shù)據(jù)的積累不斷更新，以擴大或縮小應(yīng)用規(guī)模，或用于其它類似系統(tǒng)。雖然學(xué)習(xí)過程通常是應(yīng)用投入使用前的一項工作，但也可以成為基于傳感器數(shù)據(jù)的后臺任務(wù)，在本地或通過云端進行離線處理，以獲得持續(xù)的性能改進。自動機器學(xué)習(xí)（AutoML）工具結(jié)合電池管理SoC的評估套件可實現(xiàn)這一功能。

機器學(xué)習(xí)模型

在機器學(xué)習(xí)和電池管理等邊緣應(yīng)用領(lǐng)域中，有多種可供選擇的模型。一個簡單的分類決策樹所占用資源很少，最多僅需幾千字節(jié)的RAM，但能夠為此類應(yīng)用提供足夠的功能。該方法可將采集到的數(shù)據(jù)簡單地分為“正常”或“異常”；示例如圖1所示。

圖1：在此決策樹分類器示例中，“類別1” = 正常，“類別0” = 異常

此處使用兩個參數(shù)來描述多電芯電池組放電過程中的狀態(tài)：最強電芯的SOC（充電狀態(tài)），以及最強與最弱電芯間的電壓差。藍色和白色節(jié)點代表正常數(shù)據(jù)；分類區(qū)域用藍色（“類別0”= 正常）和灰色（“類別1”= 異常）表示。

如要評估輸出數(shù)據(jù)的連續(xù)值，而不僅僅是類別，可以使用更復(fù)雜的回歸決策樹。其它常見的ML模型包括支持向量機（SVM）、核近似分類器、近鄰分類器、樸素貝葉斯分類器、邏輯回歸和孤立森林。神經(jīng)網(wǎng)絡(luò)建模可以包含在AutoML工具中，以增加復(fù)雜度為代價來提高性能。

一個ML應(yīng)用程序的整個開發(fā)過程被稱為“MLOps”，即“ML Operations”，包括數(shù)據(jù)的收集與整理，以及模型的訓(xùn)練、分析、部署和監(jiān)控。圖2以圖形方式展示了使用PAC25140芯片的電池管理應(yīng)用開發(fā)流程；該芯片可監(jiān)控、控制和平衡由多達20個電芯組成的串聯(lián)電池組，適用于鋰離子、鋰聚合物或磷酸鐵鋰電池。

圖2：上述設(shè)計示例突出展示了tinyML開發(fā)流程

案例研究：弱電芯檢測

退化電芯檢測是電池SOH監(jiān)測的一部分。這些電芯的特征之一可能體現(xiàn)為在負載下電池電壓異常偏低。然而，電壓還受實際放電電流、充電狀態(tài)和溫度的影響，如圖3所示；圖中突出顯示了強弱電芯在不同溫度及負載電流下的示例曲線。

圖3：強、弱電芯的放電曲線

圖3顯示了在電芯電量接近耗盡時，強弱電芯電壓間出現(xiàn)的顯著差異；然而，在此時檢測到弱電芯可能為時已晚，無法避免過熱和安全問題。因此，實施ML成為一種解決方案，從而在放電周期的較早階段從數(shù)據(jù)中尋找相關(guān)模式。

ML方法的有效性在Qorvo進行的實驗中得到充分體現(xiàn)。該實驗將一顆弱電芯插入一個由10顆電芯組成的電池組，并與一個狀態(tài)良好的電池組進行比較。兩組電芯在不同恒定電流倍率和溫度下放電，并生成訓(xùn)練數(shù)據(jù)；監(jiān)測參數(shù)包括它們的電流、溫度、最強與最弱電芯電壓差，以及最強電芯的SOC。

在20個放電周期中，每10秒對參數(shù)進行同步采樣，并使用表1所列的不同模型進行分析。將結(jié)果與20個放電周期的獨立測試數(shù)據(jù)進行比較，顯示兩種方法的一致性非常接近；隨著訓(xùn)練樣本的增加，其一致性將進一步提高。

圖4：從不同ML模型的訓(xùn)練及測試數(shù)據(jù)中提取示例結(jié)果

SoC足以實現(xiàn)對ML的支持

雖然當前AI的關(guān)注焦點集中在大規(guī)模、高功率應(yīng)用；然而，針對電池監(jiān)測等應(yīng)用，使用MCU和tinyML技術(shù) 的“邊緣部署型”AI也可以成為高性能、低功耗解決方案的一部分。在這種場景下，SoC解決方案擁有所需的全部處理能力，并可集成各種機器學(xué)習(xí)算法。

所有必要的傳感器和通信接口均已內(nèi)置；此外，SoC還擁有豐富的評估與設(shè)計工具生態(tài)系統(tǒng)的支持。

審核編輯：劉清