A 0.5-V Linear Neuromorphic Voltage-to-Spike Encoder Using a Bulk-Driven Transconductor

Questo lavoro presenta un codificatore neuromorfico lineare a bassissima potenza (0,5 V) che combina un transconduttore a gate bulk e un neurone LIF per ottenere una conversione tensione-frequenza di picchi quasi lineare con una deviazione inferiore al 5,6% su un intervallo di ingresso di 0,1-0,4 V.

L'essenziale

🧠 Il "Traduttore" che parla la lingua del cervello

Immagina di voler inviare un messaggio a un computer che pensa esattamente come il nostro cervello. Il cervello non usa numeri complessi o file digitali (come i nostri smartphone); invece, comunica tramite impulsi elettrici rapidi, simili a piccoli "colpi di tamburo" o scintille. Questi sono chiamati spike (picchi).

Il problema è che i nostri sensori (come le fotocamere o i microfoni) parlano una lingua diversa: usano tensioni continue, come il flusso costante di un fiume.

Questo articolo presenta un piccolo chip magico che fa da traduttore. Prende il "flusso" continuo del mondo reale e lo trasforma in "colpi di tamburo" (spike) che il cervello artificiale può capire. Ma c'è un trucco: lo fa consumando pochissima energia e funzionando con una batteria piccolissima.

🔋 La sfida: Lavorare con una batteria quasi vuota

Normalmente, i circuiti elettronici hanno bisogno di una certa "spinta" (tensione) per funzionare bene. Qui, gli scienziati hanno creato un circuito che funziona con 0,5 Volt.
Per fare un paragone: è come se un'auto normale avesse bisogno di un pieno di benzina per andare, mentre questa "macchina neuromorfica" riesce a correre anche se ha solo una goccia di benzina nel serbatoio. Questo è fondamentale per dispositivi che devono durare anni senza cambiare batteria, come sensori medici impiantabili o occhiali intelligenti.

⚙️ Come funziona il traduttore? (L'Analogia del Fiume e della Diga)

Il dispositivo è diviso in due parti principali, come un sistema idraulico:

1. Il "Filtro" Lineare (Il Transconduttore)

Immagina di dover convertire l'altezza dell'acqua in un fiume (la tensione) in una quantità di acqua che scorre (la corrente).

• Il problema: Di solito, se l'acqua sale troppo, il flusso diventa caotico e non più proporzionale all'altezza. È come se raddoppiando l'acqua, il flusso diventasse dieci volte più forte invece di due. Questo crea errori.
• La soluzione degli autori: Hanno inventato un "filtro speciale" (chiamato transconduttore a bulk-driven) che agisce come un regolatore di pressione intelligente. Anche se l'acqua entra con forza variabile, lui la trasforma in un flusso che cresce in modo perfettamente lineare. Se l'acqua raddoppia, il flusso raddoppia esattamente.
• Il trucco: Usano un tipo di transistor che lavora "sotto il livello del mare" (una regione chiamata subthreshold), dove i transistor sono molto lenti ma consumano energia come un orologio a batteria. Per compensare la lentezza, usano un trucco matematico (una rete di linearizzazione) che cancella le distorsioni, rendendo il flusso perfetto.

2. Il "Percussore" (Il Neuron LIF)

Una volta che abbiamo il flusso d'acqua perfetto, dobbiamo trasformarlo in "colpi di tamburo".

• Immagina un secchio con un buco sul fondo (il neurone).
• L'acqua che arriva dal "filtro" riempie il secchio.
• Più acqua arriva velocemente (segnale forte), più il secchio si riempie in fretta.
• Appena il secchio si riempie fino all'orlo (soglia), scatta un meccanismo che svuota tutto il secchio in un istante e fa suonare un campanello (Spike!).
• Poi il secchio ricomincia a riempirsi.
• Il risultato: Se l'acqua arriva piano, il campanello suona raramente. Se l'acqua arriva forte, il campanello suona velocissimo. Il cervello artificiale capisce: "Ah, suona veloce? Allora il segnale è forte!".

📊 I Risultati: Piccoli ma potenti

Gli scienziati hanno costruito questo chip e lo hanno testato. Ecco cosa hanno scoperto:

• Precisione: La conversione è quasi perfetta. Se raddoppi l'input, raddoppi esattamente il numero di "colpi di tamburo". L'errore è meno del 5,6%, che è un risultato incredibile per un circuito così piccolo e a bassa potenza.
• Consumo: Usa pochissima energia (da 22 a 180 nanowatt). È come se consumasse l'energia di una formica che cammina.
• Dimensioni: È minuscolo. Occupa meno spazio di un granello di sabbia (0,0074 mm²).

🚀 Perché è importante?

Questo chip è come un ponte tra il mondo analogico (i nostri sensi) e il mondo digitale neuromorfico (i computer che pensano come noi).
Grazie a questo dispositivo:

1. Possiamo creare sensori che non hanno bisogno di batterie grandi (possono funzionare con l'energia del corpo o del sole).
2. Possiamo eliminare i convertitori digitali costosi e ingombranti.
3. Possiamo costruire sistemi di visione o ascolto che reagiscono istantaneamente, come un animale che scappa da un predatore, ma con l'intelligenza di un computer.

In sintesi: hanno creato un traduttore super-efficiente che parla la lingua del cervello, consumando l'energia di una goccia d'acqua, perfetto per il futuro dei dispositivi intelligenti e medici.

Sommario tecnico

Titolo: Codificatore Lineare Neuromorfico da Tensione a Spike a 0,5 V utilizzando un Transconduttore a Pilotaggio di Bulk

1. Il Problema

Le applicazioni neuromorfiche, come i sensori visivi basati su eventi e i sistemi biomedici, richiedono l'interfacciamento diretto di segnali analogici con reti di neuroni artificiali. L'obiettivo è convertire l'ampiezza di un segnale analogico in una frequenza di impulsi (spike) senza utilizzare convertitori analogico-digitali (ADC), che consumano molta energia e occupano spazio.
Le sfide principali affrontate in questo lavoro sono:

• Bassa tensione di alimentazione: Molti sistemi moderni operano a tensioni molto basse (es. 0,5 V) per minimizzare il consumo energetico, ma questo limita il range dinamico e la linearità dei circuiti convenzionali.
• Non linearità: I transistor MOS operanti in regione di inversione debole (sottosoglia), necessari per il basso consumo, presentano una relazione esponenziale tra tensione e corrente, introducendo forti non linearità nella conversione tensione-corrente.
• Linearità della codifica: Per un'elaborazione neuromorfica accurata, la relazione tra l'ampiezza del segnale di ingresso e la frequenza di firing (rate coding) deve essere il più possibile lineare.

2. Metodologia

Gli autori propongono un'architettura di codificatore "tensione-spike" composta da due stadi principali, entrambi ottimizzati per operare a 0,5 V in regime di inversione debole:

• Transconduttore Lineare a Pilotaggio di Bulk (Front-end):

  • Utilizza una coppia differenziale senza "coda" (tail-less) in cui il segnale di ingresso è applicato ai terminali di bulk (substrato) dei transistor invece che ai gate. Questo approccio, noto come bulk-driven, permette di mantenere il controllo del canale e un funzionamento rail-to-rail anche a tensioni molto basse, dove i gate-driven perderebbero linearità.
  • Per compensare la non linearità intrinseca della corrente di drain (dipendente esponenzialmente dalla tensione), viene implementata una rete di linearizzazione translineare. Questa rete genera segnali di controllo che sopprimono la non linearità dominante di tipo sinh (iperbolico), stabilizzando il guadagno tensione-corrente ($V \to I$) e rendendolo quasi lineare su un ampio intervallo di segnali grandi.
  • I segnali differenziali di ingresso sono applicati anche ai bulk dei dispositivi cascode per minimizzare la modulazione dell'effetto corpo e migliorare la simmetria.

• Neurone Integrale e Fuga (LIF) basato su DPI (Back-end):

  • La corrente generata dal transconduttore viene iniettata in un neurone Leaky Integrate-and-Fire (LIF) tramite un integratore in modalità corrente (DPI - Differential Pair Integrator).
  • Il DPI offre un'integrazione di primo ordine con guadagno e conduttanza di "leak" (perdita) regolabili tramite tensioni di polarizzazione.
  • Il circuito include un meccanismo di feedback positivo per la generazione dello spike e un circuito di reset. La dinamica della membrana è progettata per operare in una regione di saturazione controllata, garantendo che la velocità di carica del condensatore di membrana sia proporzionale alla corrente di ingresso, ottenendo così una conversione corrente-spike lineare.

3. Contributi Chiave

• Architettura Ibrida Lineare: L'integrazione di un transconduttore bulk-driven linearizzato con un neurone LIF basato su DPI permette una conversione end-to-end (tensione $\to$ corrente $\to$ frequenza di spike) altamente lineare.
• Operatività Ultra-Bassa Tensione: Il circuito funziona stabilmente con una sola alimentazione di 0,5 V, rendendolo ideale per applicazioni a bassissimo consumo energetico.
• Tecnica di Linearizzazione Avanzata: L'uso di una rete translineare per cancellare la non linearità esponenziale dei transistor in sottosoglia, permettendo un'operazione lineare su segnali grandi senza sacrificare eccessivamente il guadagno.
• Eliminazione dell'ADC: La soluzione offre un'interfaccia diretta analogica-spike, eliminando la necessità di conversioni digitali intermedie costose in termini energetici.

4. Risultati Sperimentali

Il circuito è stato realizzato in tecnologia TSMC 0.18 µm CMOS e testato sperimentalmente:

• Consumo Energetico: Molto basso, compreso tra 22 e 180 nW, a seconda della corrente di riferimento e dei parametri di guadagno.
• Linearità: La curva di trasferimento tensione-frequenza (V-F) mostra una deviazione dalla linearità inferiore al 5,6% nell'intervallo di ingresso da 0,1 V a 0,4 V.
• Prestazioni del Transconduttore:
  • Guadagno a bassa frequenza medio di circa 30 dB.
  • Frequenza di unità di guadagno tra 47 e 546 Hz (con carico di 20 pF), ma con una banda stimata nell'ordine delle decine di kHz quando guida direttamente il neurone (carico capacitivo inferiore).
  • Distorsione Armonica Totale (THD) tra 1,76% e 7,2%.
• Area del Chip: Occupazione estremamente compatta di 0,0074 mm².
• Banda Passante: Con una corretta polarizzazione, il sistema supporta un'ampiezza di banda di ingresso fino a 8 kHz, soddisfacendo i requisiti per applicazioni su scala temporale biologica.

5. Significato

Questo lavoro rappresenta un passo significativo verso lo sviluppo di sensori neuromorfici ultra-efficienti. Dimostrando che è possibile ottenere una codifica lineare e precisa da tensione a spike a soli 0,5 V, gli autori abilitano nuove applicazioni in:

• Visione basata su eventi: Sensori che possono operare in condizioni di scarsa illuminazione o con alimentazione limitata (es. dispositivi indossabili o impiantabili).
• Sistemi Biomedici: Interfacce neurali che richiedono un consumo energetico minimo per prolungare la vita delle batterie o operare in regime di raccolta energetica (energy harvesting).
• Computazione Neuromorfica Edge: L'eliminazione degli ADC e la riduzione dell'area e del consumo permettono di integrare direttamente la sensoristica nei nodi di calcolo neuromorfico, riducendo la latenza e il traffico dati.

In sintesi, il progetto valida l'efficacia dell'uso combinato di tecniche di pilotaggio del bulk e linearizzazione translineare per superare le limitazioni fisiche dei transistor in sottosoglia, aprendo la strada a sistemi intelligenti a bassissima potenza.