郑州配资网同时不必进行“过程性数据存储”

近日，北京大学科研团队传来突破性进展：他们研发出一种新型模拟计算芯片，以更贴近人类直觉的计算方式，显著提升了计算效率并大幅降低能耗，给人工智能等应用的进一步发展带来了新的想象空间。

今年10月，北京大学人工智能研究院孙仲团队联合集成电路学院，成功研制出基于阻变存储器的高精度、可扩展模拟矩阵计算芯片，首次将模拟计算的精度提升至24位定点精度。这一成果为“模拟计算”——这一由来已久但鲜为人知的概念，带来了振奋人心的新突破，为应对人工智能等领域的算力与能耗挑战提供了新路径。

孙仲团队研究成果发布在《Nature Electronics》期刊网站

孙仲课题组合影

孙仲

何为模拟计算？

从1+1=10，到1+1=2

对于大多数习惯了数字计算机（0和1）的公众而言，“模拟计算”是一个既古老又新奇的概念，什么是模拟计算呢？孙仲首先用生动的比喻对其进行解释：

“

“现在的所有芯片都是数字计算，数据都需要先转换成0和1的符号串。比如数字‘十’，需要转译成‘1’和‘0’，计为1010。”如果用二进制来表示“1+1=2”，则应该记作“1+1=10”。

孙仲解释道，“而模拟计算则无需这层‘转译’，它是一种‘类比计算’（analogue computing），可以直接用连续的物理量（如电压、电流）来类比数学上的数字。比如，数学上的‘十’，可以直接用十伏或十毫伏的电压来表示。”

他进一步举例：“我们从小接受的教育其实是模拟计算的思维。父母教我们，一根筷子加一根筷子等于两根筷子，这就是一个典型的类比过程。在模拟电路里，加法可以利用基尔霍夫电流定律自然实现——两个电流汇合，总电流就是它们的和，乘法则可以基于欧姆定律来实现。模拟计算是利用物理定律直接做数学运算的计算方式，而不是用逻辑一步步去‘算’。”

模拟计算机在计算机发展早期（上世纪30-60年代）曾被广泛应用，但随着计算任务日益复杂，其精度瓶颈凸显，逐渐被数字计算取代。孙仲指出，此次研究的核心正是要解决模拟计算“算不准”这一痛点。

孙仲

逆向矩阵求解，突破数字计算局限

以全新手段，成就算力天花板

当前的市面上的主流CPU和GPU都是数字芯片，并都采用冯诺依曼结构，将计算和存储功能分开，通过01数字流的编译+计算+解码实现信息计算和传输。而基于阻变存储器的模拟计算的优势之一在于取消了“将数据转化为二进制数字流”这一过程，同时不必进行“过程性数据存储”，进而将数据计算过程与数据存储合而为一，实现算力解放。

高精度全模拟矩阵计算求解矩阵方程

孙仲指出，与其他“存算一体”方案对比，国内外许多团队集中于研究矩阵乘法（AI推理的核心），而他的团队特色在于专注于更具挑战性的矩阵方程求解（AI二阶训练的核心）。矩阵求逆操作要求的计算精度极高，时间复杂度达到了立方级。而模拟计算凭借物理规律直接运算的方式，具有低功耗、低延迟、高能效、高并行的天然优势，只要能够不断降低计算误差，不断提升计算精度，将为传统GPU的算力解放带来爆炸性突破。

如何实现“又快又准”？

三层突破：器件、电路和算法

此次精度突破的关键，孙仲将其归功于三个层面的结合——器件、电路和算法。

核心器件：可编程的“阻变存储器”

传统的电阻值是固定的，而阻变存储器的电阻值可以通过电压进行调节。“这带来了本质区别——可编程性。”孙仲说。这意味着，一个阻变存储器单元可以作为一个灵活的乘法器，能够计算任意数值的乘法，而不仅限于固定值。它不仅是存储器，更是计算单元，凭借其电阻数据的可变性，可以适应更多的计算可能，实现“存算一体”，从根本上挑战了传统的冯·诺伊曼架构，直接在物理器件层面实现了计算与存储的融合，避免了因计算与存储分离带来的巨大效能损失。

原创电路：实现“一步求解矩阵方程”

孙仲于2019年在意大利做博士后期间，原创性地设计了一种基于阻变存储器阵列的电路，能够一步求解矩阵方程。孙仲介绍：“当时的电路是个奠基性的工作，但精度只有1%左右，对于现代计算任务远远不够。”时隔几年，当团队把原创电路和其他技术型元素创造性集成，其展示出的性能提升与巨大潜力令人惊叹。

算法优化：“微切片”与“迭代优化”双管齐下

为了将精度从1%提升至24位，团队引入了两种关键算法：

首先是位切片技术，将24比特的精度需求，切分成8个3比特的模块，由多个阵列分别计算后再拼接，虽然每一次的精度提升都需要更多的硬件资源，但实现了精度的跨越。

基于块矩阵方法求解高精度、可拓展矩阵方程的实验结果

其次是迭代优化方法，孙仲将其类比为“在山谷中寻找最低点”。2019年的低精度电路能快速提供一个“接近盆地”的粗略解（误差约1%），而新的高精度乘法器则能精确指出“下降的方向和距离”。通过几次迭代，就能迅速找到精确解，这种方法远比传统数字计算机的“梯度下降”法高效。

“这项突破是半导体行业（器件）、我们原创的电路设计、以及计算架构领域（算法）智慧的结晶。”孙仲这样说。

高精度矩阵方程求解在大规模多输入多输出（MIMO）

迫零检测信号处理过程中的应用

从实验室到代工厂，还有多远？

前景可观，稳扎稳打，优势突出

关于应用前景，孙仲认为，模拟计算在未来AI领域的定位是强大的补充，最有可能快速落地的场景是计算智能领域，如机器人和人工智能模型的训练。

例如在AI训练的二阶优化算法中，求解神经网络权重是一个复杂的矩阵方程求解过程。相较于GPU依赖传统并行计算处理此类任务，模拟计算能获得更高的能效比和显著更低的能耗。同样，机器人运动规划中也涉及大量实时矩阵方程求解，模拟芯片在此类复杂任务中优势非常明显。

谈及与现有计算架构的关系，孙仲强调未来将是互补共存：“CPU作为通用‘总指挥’因其成熟与经济性而难以被淘汰。GPU则专注于加速矩阵乘法计算。我们的模拟计算芯片，旨在更高效地处理AI等领域最耗能的矩阵逆运算，是对现有算力体系的有力补充。”

目前孙仲团队正在积极推进产业落地，而此过程的关键在于阻变存储器。孙仲介绍道：“当前在很多代工厂有突破，但是更多依然是将之用于存储器本身。但是，我们不只将它用于存储，也用计算，是对其应用能力的一种拓展，这要求更为针对性的生产工艺探索。”但是实现产业化还需要多方的协调与努力，在持有极乐观心态的前提下，依然需要稳扎稳打、步步推进。

或许在未来，智能设备将拥有一个由“0”和“1”组成的CPU大脑，和若干直接由物理定律进行矩阵运算的“模拟计算处理器”器官，流转于计算机全身的将不只是冷冰冰的二进制数据流，而是更加符合人类认知的模拟计算信号。