由于業界持續推動機器學習（ML）和人工智能（AI）的低功耗高性能處理，大量相關新概念和新技術層出不窮。其中，模擬計算作為一種提高處理效率的方法被重新提出。

這項技術對于給定的應用來說還是相對較新的，而且還有很大的改進空間。最近，IISC的研究人員發表了一篇論文，描述了未來可擴展模擬AI芯片的新框架。

本文將討論模擬計算對人工智能的好處、面臨的挑戰以及IISC的新研究。

為何轉向模擬?

模擬計算是一種早于數字計算的技術，但隨著數字計算的興起，它在很大程度上已經被遺忘了。現在，研究人員再次著眼于模擬，因為今時今日它在某些方面比數字顯示出了更大的優勢。

隨著數據速率越來越快、處理節點越來越小、全球互聯范圍越來越廣，行業中的一個新興趨勢是數據移動對應能耗的顯著增加。

越來越多的寄生導致數據在內存內和內存外的物理移動已經成為芯片整體功耗的最重要因素之一。再加上數據密集型應用ML，我們發現馮·諾伊曼架構不再適合AI/ML。

相反，模擬計算允許內存中的計算，數據可以在存儲的地方進行處理。由于總體數據移動顯著減少，總體能耗也會顯著降低。因此，在AI/ML應用中，模擬AI可以提供比傳統數字AI高100倍的能效。

模擬AI的挑戰：縮放

盡管模擬計算具有能效優勢，但在成為數字計算的競爭對手之前，它仍面臨一些挑戰。

AI/ML模擬計算設計的關鍵挑戰之一是，模擬處理器的測試和協同設計是非常困難的。傳統超大規模集成電路(VLSI)設計可以由數百萬個晶體管組成，但工程師可以通過編譯高級代碼來綜合設計。此功能允許在不同流程節點和產品之間輕松移植相同的設計。

然而，由于晶體管偏置的不同，溫度變化和有限的動態范圍，模擬芯片無法輕松擴展。其結果是，每代產品和每個流程節點都需要單獨定制和重新設計。這樣不僅使設計更加耗時、成本更加高昂，而且還降低了可擴展性。

模擬AI要想成為主流，首先需要解決設計和可擴展性方面的挑戰。

IISC的AI擴展框架

為了解決這個問題，IISC的研究人員在他們最近發表的論文中提出了一個可擴展模擬計算設計的新框架。

他們工作的關鍵圍繞著邊緣傳播(MP)的泛化，這是一種數學工具，在使用MP原理合成模擬分段線性計算電路方面曾體現過價值。在此基礎上，研究人員開發了一種新的基于形狀的模擬計算(S-AC)框架，允許研究人員模擬ML架構中常用的不同function。

這個框架可以和數字設計一樣，在計算精度與速度/功耗之間進行權衡，還可以跨不同的工藝節點和偏差管理。

為了證明其可行性，研究人員實現了一些S-AC電路，對應ML中幾個不同工藝節點的常見數學函數。結果證明，在180納米CMOS工藝和7納米FinFET工藝中，電路I/O特性在合理范圍內保持一致。

有了新的框架，研究人員希望在不久的將來能夠實現擴展性更強、成本效率更高的模擬AI設計。

審核編輯 ：李倩