LearnAFE：一种用于可学习音频模拟前端（Learnable Audio Analog Front-End）的电路-算法协同设计框架

《IEEE Transactions on Circuits and Systems I: Regular Papers》：LearnAFE: Circuit-Algorithm Co-Design Framework for Learnable Audio Analog Front-End

提出电路-算法协同设计框架，联合优化模拟前端（AFE）传递函数与后端分类器，提升音频信号分类性能。基于SNR自适应训练循环和协同损失函数LBPF，在130nm CMOS工艺下实现，分类准确率达90.5%-94.2%（22k参数），较传统方法降低功耗8.7%及电容面积12.9%。

　　

摘要：

本文提出了一种用于音频信号分类的可学习模拟前端（AFE）的电路-算法协同设计框架。通常的做法是分别设计AFE和后端分类器，但这种方法并不理想，正如本文所展示的。相反，本文提出了一种联合优化后端分类器和AFE的传递函数的方法，以实现系统级的最优性能。具体来说，模拟带通滤波器（BPF）组的传递函数参数在考虑信噪比（SNR）的训练循环中进行调整，以优化分类器的性能。通过使用协同设计损失函数LBPF，本文显著提升了滤波器组和分类器的优化效果。该设计基于开源的SKY130 130nm CMOS工艺实现，在5 dB到20 dB的广泛输入信号信噪比范围内，对于10个关键词的分类任务，准确率达到了90.5%–94.2%，且仅使用了22k个分类器参数。与传统方法相比，所提出的音频AFE在功耗和电容面积方面分别减少了8.7%和12.9%。

引言

音频信号分类在人机交互[1]、环境监测[3]、医疗保健[5][6]等领域有着广泛的应用。根据应用的不同，分析的音频信号类型也各不相同，包括语音、环境声音和生物医学体征等。特征提取（FEx）是分类过程中的关键步骤，用于识别代表目标信号的独特特征。分类器将被训练以高灵敏度和特异性识别这些特征。通常，特征提取可以在数字域或模拟域中进行。如图1(a)所示，数字特征提取需要模数转换器（ADC）来采集信号，而这正是低功耗应用的瓶颈[7][8][9][10]。图1(b)中，基于带通滤波器组的模拟特征提取方法具有更高的能效优势[11][12][13][14][15][16]，因此被广泛应用于低功耗边缘设备中。在[11][12][13][14][15][16]中，模拟前端（AFE）用于特征提取，而积分-触发（IAF）用于数据转换，这两者都是独立于后端分类器设计的。这样的方法需要在AFE和分类器的系统级别进行额外的调整和优化。因此，如图1(c)所示，将AFE和后端分类器集成在一起以实现系统级优化变得至关重要。

(a) 带有ADC和数字特征提取的KWS系统。(b) 与基于神经网络的分类器独立设计的传统AFE。(c) 可学习AFE和基于神经网络的分类器的电路-算法协同设计。