Una cóclea de silicio de bajo consumo permite detección de voz ultra‑eficiente siempre activa

A medida que los asistentes activados por voz se vuelven ubicuos, la demanda de detección de audio siempre activa y energéticamente eficiente ha aumentado. La ingeniería neuromórfica de vanguardia ofrece ahora una respuesta convincente: una cóclea de silicio que imita la biomecánica del oído humano para proporcionar detección de voz de baja latencia y bajo consumo.

La cóclea de silicio: un front‑end de audio bio‑inspirado

La profesora Shih‑Chii Liu y su equipo en el Institute of Neuroinformatics (INI) ganaron el Premio Misha Mahowald 2020 de Ingeniería Neuromórfica por su sensor de audio dinámico (DAS). El núcleo del DAS es una cóclea de silicio que emula las células ciliadas del oído: el sonido entrante se filtra primero en un banco de filtros paso‑banda analógicos, luego se rectifica a media onda para replicar la transducción mecánica de las células ciliadas cocleares.

Los sistemas de audio convencionales primero digitalizan el sonido, luego extraen características con FFT y BPF antes de enviarlas a un DSP. En contraste, el DAS INI‑Zurich transmite bandas de audio analógicas como trenes de picos asíncronos que son procesados directamente por redes neuronales posteriores.

Tras el filtrado inicial, el sistema convierte las señales rectificadas en picos eléctricos —ya sea mediante un mecanismo clásico de integrate‑and‑fire o un modulador delta asíncrono (ADM). El ADM compara la señal contra dos umbrales, emitiendo eventos solo cuando ocurren cambios. Esta codificación orientada a eventos suprime la información estática, reduciendo drásticamente el tráfico de datos y, por consiguiente, el consumo de energía.

Desde el punto de vista energético, la cóclea de silicio permanece prácticamente inactiva cuando no hay sonido, pero su consumo escala con la actividad. Para aplicaciones que implican largos periodos de silencio punteados por breves ráfagas de voz —típico de muchos escenarios activados por voz— este perfil de potencia dinámico ofrece una ventaja clara. Además, la representación continua de picos soporta un rango dinámico excepcionalmente amplio, ya que los picos pueden espaciarse arbitrariamente o agruparse estrechamente.

De picos a reconocimiento de voz

Los flujos de eventos del DAS pueden convertirse en frames 2D de cocleagrama —histogramas de picos agrupados por frecuencia en intervalos de 5 ms. Estos cocleagramas se alimentan a una red neuronal profunda ligera que decodifica palabras habladas. Liu señala que “las redes profundas en un sensor son de gran interés para la comunidad IEEE ISSCC y son oportunas dado el auge actual en computación de audio en el edge”. Aunque muchos ASICs de bajo consumo para detección de palabras clave dependen de características de espectrograma convencionales, el enfoque híbrido analógico‑digital de Liu promete un consumo aún menor y latencia más rápida.

El año pasado INI publicó un vídeo demostrativo donde el sistema reconoce dígitos hablados. Aunque aún en etapas tempranas, el prototipo muestra el potencial de las cócleas de silicio para detección de palabras clave en el mundo real. El equipo de Liu también ha explorado fusión de sensores, combinando audio con señales visuales para mejorar la precisión de clasificación, y ha publicado directrices de diseño que ayudan a los ingenieros a decidir cuándo la detección analógica es más ventajosa.

Misha Mahowald, inventora de la representación address‑event y epónima del Premio de Ingeniería Neuromórfica.

La investigación en curso se centra en reducir aún más el consumo y mejorar el rendimiento. Las innovaciones incluyen optimizar filtros paso‑banda source‑follower y refinar extractores de características analógicas. Para mitigar la variabilidad inherente a los circuitos analógicos, el equipo construyó un emulador de hardware que acelera las pruebas y les permite entrenar redes neuronales binarias en software, prediciendo con precisión el rendimiento del chip real. También están experimentando con inyección controlada de ruido para hacer los diseños más robustos.

Reconocimiento e impacto

La profesora Liu, pionera en ingeniería neuromórfica formada en el laboratorio de Carver Mead en Caltech, destacó la importancia del Premio Mahowald: “Este honor subraya décadas de trabajo fundacional —desde Dick Lyon hasta Carver Mead y más allá”. Enfatiza que, a medida que la Ley de Moore se ralentiza, los sistemas híbridos analógico‑digitales como el DAS serán cada vez más vitales, pudiendo superar a la computación digital por órdenes de magnitud en eficiencia energética.

Referencias

[1] D. Neil y S. C. Liu, “Effective sensor fusion with event‑based sensors and deep network architectures,” en 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, y 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, y C. Enz, “Ultra‑Low‑Power Intelligent Acoustic Sensing using Cochlea‑Inspired Feature Extraction and DNN Classification.”

[4] M. Yang, C. H. Chien, T. Delbruck, y 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 artículo se publicó originalmente en nuestro sitio hermano, EE Times.