如今，數據處理架構呈現出一種“分裂”的特性。擁有龐大規模和計算能力的“云”計算成為了關注焦點，而“邊緣”計算將處理過程置于“一線”，連接著電子設備與真實世界。在云端，數據存儲量巨大，處理過程需要排隊和調度；而在邊緣，處理工作則有針對性地即時完成。

如今，數據處理架構呈現出一種“分裂”的特性。擁有龐大規模和計算能力的“云”計算成為了關注焦點，而“邊緣”計算將處理過程置于“一線”，連接著電子設備與真實世界。在云端，數據存儲量巨大，處理過程需要排隊和調度；而在邊緣，處理工作則有針對性地即時完成。

這使得系統能夠針對本地指令和應用程序反饋做出快速響應，同時減少數據流量，以確保處理過程更加安全。當然，這兩個區域也會進行交互，邊緣節點將數據傳回云端，實現跨設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。

這兩種處理環境都得益于人工智能（AI）和機器學習（ML）的最新發展。例如，在數據中心，包含數萬顆處理器（主要為GPU）的數千臺服務器執行大規模并行計算，以生成和運行ChatGPT等大語言模型（LLM）。從某些指標看，這些平臺的性能現在已經超越了人類。

在邊緣，處理過程根據操作算法對反饋傳感器和指令做出反應。但借助機器學習，算法現也能夠有效地從反饋中學習；由此改進算法及其計算系數，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；但數據中心的電力消耗十分巨大，據國際能源機構（IEA）估計，約為240-340太瓦時（TWh），占全球需求的1%-1.3%。人工智能和機器學習將進一步加速能源消耗；IEA預測在未來幾年內將增長20%-40%，而這一數字的歷史數據僅為3%左右。

與游戲和視頻流媒體等按需數據處理任務不同，AI包含學習和推理兩個階段；其中，學習階段借助數據集來訓練模型。據報道，ChatGPT在這個過程中消耗了超過1.2TWh的電力。另一方面，根據de Vries的統計，處于推理或運行階段的LLM每天可能需要消耗564MWh的電力。

而在數據處理架構的另一端，物聯網（IoT）節點或可穿戴設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及電動汽車（EV）類應用，為控制電路預留的損耗預算也很小，無法適應AI和機器學習引入帶來的大幅能耗提升。

因此，微型機器學習（tinyML）已發展為一個在設備上實施傳感器數據分析的應用及技術領域；同時，其也經過優化，旨在實現極低功耗。

tinyML和電源管理

在具體應用中采用機器學習技術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。

受監控的參數包括單個電芯的電壓、電流和溫度；管理系統通常需要預測電池的充電狀態（SOC）和健康狀況（SOH）。這些參數均為動態量，與電池的使用歷史及測量參數間存在復雜且多變的關系。

盡管任務復雜，但實現AI處理并不需要使用昂貴的GPU。ARM Cortex M0和M4系列等現代微控制器可輕松勝任電池管理中的機器學習任務，且它們的功耗很低，現已集成至針對該應用的專用片上系統（SoC）中。

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

正如AI的本質一樣，模型可隨現場數據的積累不斷更新，以擴大或縮小應用規模，或用于其它類似系統。雖然學習過程通常是應用投入使用前的一項工作，但也可以成為基于傳感器數據的后臺任務，在本地或通過云端進行離線處理，以獲得持續的性能改進。自動機器學習（AutoML）工具結合電池管理SoC的評估套件可實現這一功能。

機器學習模型

在機器學習和電池管理等邊緣應用領域中，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，最多僅需幾千字節的RAM，但能夠為此類應用提供足夠的功能。該方法可將采集到的數據簡單地分為“正?！被颉爱惓！保皇纠鐖D1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

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

如要評估輸出數據的連續值，而不僅僅是類別，可以使用更復雜的回歸決策樹。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。神經網絡建?？梢园贏utoML工具中，以增加復雜度為代價來提高性能。

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

圖2：上述設計示例突出展示了tinyML開發流程

案例研究：弱電芯檢測

退化電芯檢測是電池SOH監測的一部分。這些電芯的特征之一可能體現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據中尋找相關模式。

ML方法的有效性在Qorvo進行的實驗中得到充分體現。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，并生成訓練數據；監測參數包括它們的電流、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秒對參數進行同步采樣，并使用表1所列的不同模型進行分析。將結果與20個放電周期的獨立測試數據進行比較，顯示兩種方法的一致性非常接近；隨著訓練樣本的增加，其一致性將進一步提高。

圖4：從不同ML模型的訓練及測試數據中提取示例結果

SoC足以實現對ML的支持

雖然當前AI的關注焦點集中在大規模、高功率應用；然而，針對電池監測等應用，使用MCU和tinyML技術 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習算法。

所有必要的傳感器和通信接口均已內置；此外，SoC還擁有豐富的評估與設計工具生態系統的支持。