助听器芯片把滤波和识别压进同一块ASIC：后综合面积16万平方微米，功耗1.4毫瓦
核心概要
助听器要在耳内有限的空间和电池下完成降噪与语音识别，高阶有限脉冲响应滤波器因乘加运算多而占用面积和功耗。该架构把无乘法器、无存储表的分布式算术有限脉冲响应滤波与深度谱神经网络放进同一块面向专用集成电路的设计，网络用近似Wallace树乘法器做推理。专用集成电路后综合分析给出16万平方微米面积、1.4毫瓦功耗和约2.1毫秒的硬件处理延迟，功能验证在MATLAB中完成，原型流片与实时硬件验证尚未进行。
深度剖析
助听器的语音增强与语音识别被合并到一块面向专用集成电路的硬件架构里，而不是分成滤波前端和神经网络推理两套独立模块。 有限脉冲响应滤波器在助听器中性能好，但高阶滤波器需要大量乘法和加法运算，硬件面积和功耗随之上升。 专用集成电路后综合分析给出16万平方微米实现面积和1.4毫瓦功耗，功能层面则由MATLAB完成验证。
滤波部分不靠通用乘法器完成乘加，而是用查表累加的方式实现有限脉冲响应运算。 这条路径叫无存储表、无乘法器的分布式算术有限脉冲响应滤波器，它把乘法转成按输入位组合的查表累加。 识别一侧的深度谱神经网络在推理时使用近似Wallace树乘法器，该乘法器以近似压缩加法器搭建，整套设计按专用集成电路流程做后综合评估。
速度与延迟指标一并给出，用于说明该架构在助听器时间尺度上的位置。 后综合结果显示最高吞吐121.1兆赫兹，对应约8.26纳秒的系统关键路径延迟。 在取得语音帧之后，硬件处理延迟约为2.1毫秒，面积延迟积为1,321,222平方微米乘纳秒，功耗延迟积为11.56毫瓦乘纳秒。
启示与展望
评估范围限于MATLAB功能验证与专用集成电路后综合分析，面向助听器语音处理场景；原型制造与实时硬件验证被列为后续工作。
给出的面积、功耗、吞吐与延迟均为后综合分析结果，尚未经过流片或实时硬件测量；语音处理性能的量化指标未在结论中给出具体数值。