新研究表明模拟计算可以解决复杂方程并且使用更少能量

一项新的研究表明，模拟计算可以解决复杂方程并且使用更少的能量。这项研究由包括马萨诸塞大学阿默斯特分校工程师在内的研究团队进行，他们证明了他们的模拟计算设备——称为忆阻器(memristor)——可以完成复杂的科学计算任务，同时避开了数字计算的限制。

目前许多重要的科学问题，从纳米尺度材料建模到大规模气候科学，都可以通过复杂方程来探索。然而，如今的数字计算系统在速度、能耗和基础设施方面已经接近了执行这些计算的极限。

马萨诸塞大学阿默斯特分校的电子与计算机工程教授夏强飞是该项发表在《科学》杂志上的研究的通讯作者之一，他解释说，目前的计算方法在每次存储信息或为计算机提供任务时，都需要在内存和计算单元之间传输数据。对于移动大量数据的复杂任务来说，实际上就会出现一种“交通堵塞”的情况。

传统计算的一种解决方法是增加带宽。相反，夏强飞及其在马萨诸塞大学阿默斯特分校、南加州大学和计算技术公司TetraMem Inc.的同事们已经实现了一种名为模拟忆阻器技术的内存计算方式，它可以通过减少数据传输来避免这些瓶颈。

团队的内存计算依赖于一种称为忆阻器的电子元件，它是一种记忆和电阻器（用于控制电路中的电流流动）的结合体。忆阻器可以控制电路中的电流流动，并且在断电后仍然“记住”先前的状态，这与如今只能在有电源时保持信息的基于晶体管的计算机芯片不同。忆阻器设备可以被编程成多个电阻级别，增加一个单元中的信息密度。

当组织成十字形阵列时，这样的忆阻器电路可以通过以极大的并行方式利用物理定律来进行模拟计算，从而大幅加速矩阵运算，这是神经网络中最常用但非常耗电的计算。这种计算是在设备的位置进行的，而不是在内存和处理器之间传输数据。夏强飞将内存计算类比为疫情高峰期所见的几乎空无一人的道路：“你消除了交通，因为[几乎]所有人都在家工作”，他说。“我们同时工作，但只发送重要数据/结果。”

此前，这些研究人员已经证明他们的忆阻器可以完成低精度的计算任务，如机器学习。其他应用还包括模拟信号处理、射频感测和硬件安全。

夏强飞表示：“在这项工作中，我们提出并证明了一种新的电路架构和编程协议，可以使用多个相对低精度的模拟设备（如忆阻器）的加权求和有效地表示高精度数字，而与现有的量化方法相比，电路、能量和延迟的开销大大减少。”

他补充说：“对于本文的突破在于我们进一步推动了边缘计算神经网络对低精度的要求之外，扩展到了高精度的科学计算。”

作为原则验证，忆阻器解决了静态和时变的偏微分方程、Navier-Stokes方程和磁流体动力学问题。

夏强飞指出：“我们超越了自己的舒适区”，他表示，他们不仅实现了边缘计算神经网络对低精度的要求，还扩展到了高精度的科学计算。

马萨诸塞大学阿默斯特分校的团队和合作伙伴花费了十多年的时间设计了合适的忆阻器设备，并为模拟内存计算构建了可观的电路和计算机芯片。“过去十年的研究使得模拟忆阻器成为一种可行的技术。是时候将这样一种伟大的技术引入半导体行业，造福广泛的人工智能硬件社区了。”