Anche se la legge di Moore sembra aver raggiunto il suo limite, contesti tecnologici come Internet of Things (IoT) sembrano ignorarlo essendo proiettati verso uno sviluppo illimitato che ignora i principali limiti della tecnologia digitale (consumo energetico e capacità computazionale).
Per esorcizzare quanto previsto dalla legge di Moore si utilizza il simpatico gioco di parole “More than Moore” (MtM) per intendere che non si pone limite alla densità di integrazione della microelettronica digitale e a tutte le tecnologie ad essa collegate (ultra low-power energy consumption, unlimited memory footprint, high speed computing, ecc.).
Internet of Things (IoT), con i suoi miliardi di dispositivi connessi in modalità always-on, mette seriamente alla prova la sostenibilità della legge di Moore nell’accezione MtM. La soluzione non sta nella riduzione della scala di integrazione (focalizzata sullo scaling down del transistor CMOS). In questa direzione è stato “raschiato il fondo del barile” e solo un nuovo modello di assemblaggio delle funzioni (tra l’altro non sempre di natura digitale) può di dar seguito e un senso al MtM e determinare lo sviluppo di un paradigma tecnologico in esponenziale sviluppo come IoT. IoT, inoltre, è un incredibile contesto tecnologico che crea sfide che reclamano soluzioni. L’utilizzo sempre più intensivo dell’interazione audio con il principale fruitore (l’essere umano) ha posto in primo piano requisiti funzionali come l’always-on e l’edge processing. L’audio/voice/speech processing (AVSP) è una componente funzionale sempre più ricorrente nelle applicazioni IoT e non solo. L’AVSP ha due requisiti molto stringenti da soddisfare: la computazione intensiva e l’elevato consumo energetico. Inoltre, la riduzione delle dimensioni dei dispositivi come i wearable, gli smartphone, rendono ulteriormente ardua la sfida sia in termini di power consumption, sia in termini di edge computing. I voice-controlled digital assistant sono il paradigma funzionale emblematico che fa emergere i nuovi requisiti che gli edge devices di IoT devono soddisfare: efficienza nell’elaborazione numerica del segnale (DSP) e capacità di eseguire paradigmi di intelligenza artificiale e machine learning (riconoscimento vocale basato sulle reti neurali di ultima generazione). Gli application-specific processor (ASP) non possono essere la soluzione e tantomeno i microcontrollori (per quanto possano risultare e diventare sempre più efficienti e ottimizzati, come per esempio i microcontrollori della famiglia ARM Cortex M4.
Un DSP per le applicazioni di edge-computing
Cadence-Tensilica ha sviluppato la famiglia di Digital Signal Processor (DSP) HiFi DSP particolarmente ottimizzata per le applicazioni di elaborazione numerica dell’audio/voce/parlato, con particolare attenzione alla minimizzazione dei consumi energetici, dei costi e delle dimensioni per le applicazioni nei principali mercati come il mobile, l’ascolto dell’audio (hearables), il monitoraggio fisiologico del corpo (wearables), l’automotive, l’audio domestico, la televisione, il computing personale e i giochi.
La famiglia di DSP HiFi di Cadence-Tensilica consiste di 5 IP integrabili in System-on- Chip (SoC) per ottenere una piattaforma computazionale perfettamente adattata all’applicazione finale AVS:
- HiFi 1 DSP – ultra low-power per il sensor fusion always-on, always-listening voice trigger e i codec Bluethoot
- HiFi 3 DSP – bilancia l’efficienza energetica con le prestazioni computazionali per applicazioni finalizzate all’automotive, all’hearables, al domestico e al
- HiFi 3z DSP – massima efficienza energetica ed elevate prestazioni per codec vocali ad elevate prestazioni, voce, interfacce utenti basate su reti neurali, dispositivi mobile.
- HiFi 4 DSP – prestazioni altamente ottimizzate per applicazioni di riconoscimento vocale automatico basato su reti neurali, assistenti digitali, altoparlanti intelligenti, televisione.
- HiFI 5 DSP – combinazione ottimale tra accelerazione dell’esecuzione dei paradigmi di intelligenza artificiale e di algoritmi.
- I DSP della famiglia HiFi di Cadence- Tensilica sono ad architettura Very Long Instruction Word (VLIW), ad elevato parallelismo esecutivo con unità Moltiplicatore-Accumulatore (MAC) multiple ad alta precisione (16 x 32 bit) doppia per il HiFi DSP 1 e (32 x 32 bit) ottupla per il HiFi DSP 5.
Gli HiFi DSP di Tensilica sono altamente configurabili in quanto offrono nella fase di configurazione del SoC la possibilità di integrare funzionalità predefinite come sottosistemi dedicati di memoria, funzioni dedicate di debug, unità di calcolo application-specific (FPU-unit), ecc. soddisfacendo in maniera ottimale i requisiti del sistema finale. In particolare, la riduzione del consumo di energia può essere perseguita dallo sviluppatore grazie alla possibilità di aggiungere istruzioni custom (user-defined) al set istruzioni standard, possibilità offerta dal Cadence Tensilica Processor Generator.
Edge-computing: l’alternativa al Cloud-computing
Il Cloud-computing, è un paradigma di elaborazione dell’informazione basato sul concetto di disponibilità in rete di risorse di elaborazione centralizzate che possono essere utilizzate da remoto (edge) attraverso la connettività. Tale paradigma, ancorchè attrattivo e produttivo nella prima fase di sviluppo della rete Internet, nel tempo e con lo sviluppo di Internet of Things (IoT) ha evidenziato i suoi limiti nascosti, la dipendenza dai dati e la latenza nella risposta.
Il traffico dei dati (andata e ritorno) si è subito dimostrato un ostacolo all’ulteriore sviluppo del Cloud-computing anche nella prospettiva di disponibilità di nuove tecnologie di comunicazione ultraveloce come il 5G. Inoltre, l’enorme carico computazionale richiesto ai server non era sopportabile a lungo termine.
L’idea di processare i dati localmente, dove cioè vengono generati, è emersa recentemente con lo sviluppo di Internet nella modalità IoT e successivamente nella modalità Internet of Every things (IoE). L’edge computing risolve il problema dell’intenso e non sopportabile traffico dati tra la periferia della rete (edge) e il centro della rete (cloud) in quanto i dati vengono elaborati in periferia e solo i risultati vengono trasferiti verso il centro della rete.
L’edge-computing oltre ad essere un’ottima soluzione ai problemi del Cloud-computing (congestione della comunicazione, latenza della risposta, disponibilità continua dei servizi (always –on)) offre uno spettro applicativo estremamente ampio soprattutto in conseguenza del potenziamento della capacità di comunicazione conseguenti lo sviluppo delle tecnologie di comunicazione ad alta velocità e capacità come il 5G.
La sfida dell’Always-on
Il voice processing e l’image processing stanno diventando sempre più presenti nelle applicazioni IoT-based con funzionalità di face e image detection in modalità always-on, mettendo a dura prova i requisiti energetici. In particolare, il voice processing richiede l’esecuzione di attività computazionalmente intensive come il noise reduction, il controllo automatico del volume, la segmentazione (end- point detection), la ricostruzione speech-to-text, ecc. eseguiti in modalità di pre e post processing con algoritmi misti hard e soft- computing. Diverse tecnologie devono convergere per la sostenibilità di queste funzionalità in modalità always-on, sia analogiche, sia digitali, sia mixed-signal.
Il paradigma computazionale tradizionale basato sull’architettura Von Neumann (CPU General Purpose + Memoria) non è adeguato a soddisfare i requisiti richiesti dall’edge- computing, tra cui l’always-on e quello energetico sono i più stringenti.
Hard computing (computing algoritmico) e soft computing (computing sfumato) sono due modelli computazionali che possono coesistere se supportati da architetture di computing adeguate, dedicate ed ottimizzate sull’applicazione. L’integrazione della tecnologia analogica con quella digitale (soprattutto gli Analog Front-End (AFE) e le memorie analogiche (ReRAM)) sono fondamentali per l’integrazione ottimizzata a livello di SoC allo scopo di ottenere dispositivi e applicazioni che soddisfano i requisiti dell’edge-computing.
