与数字相比，模拟的计算速度和功率效率一直很有前景。问题是，开发模拟系统一直受到许多障碍的困扰，包括模拟处理器的尺寸和成本。物联网的爆炸式增长和人工智能应用的增长重新激发了人们对开发模拟计算新方法的兴趣，以解决与日益复杂的工作负荷相关的一些挑战。
边缘人工智能应用需要低成本、小尺寸、低延迟、高性能和低功耗的设备(见图)。模拟解决方案为这些挑战提供了非常引人注目的解决方法，这可能会让许多人感到惊讶。模拟技术的最新进展，加上闪存等非易失性存储器的使用，消除了传统障碍。
边缘的 AI 处理需要能够满足对尺寸、性能和功耗的苛刻要求的芯片
以下是与模拟计算相关的 11 个常见误区。
1. 数字计算优于模拟计算
数字计算解决方案迎来了信息时代，并将曾经是房间大小的计算机转变为功能强大的机器，可以放在我们的手掌中。可以说，长期以来，数字计算解决方案在大多数应用中都优于模拟解决方案。然而，时代已经改变，当我们展望未来的需求时——每个设备都将在边缘配备强大的人工智能——很明显，数字计算将无法跟上。对于模拟计算，通常需要大型、高功耗 GPU 的算法将在可以集成到任何设备中的小型、低功耗、经济高效的芯片上运行。
数字计算解决方案引领了信息时代的到来，把曾经需要房间大小的电脑变成了功能强大、可以放在我们掌心的机器。公平地说，在很长一段时间里，对于大多数应用来说，数字计算解决方案优于模拟解决方案。然而，时代已经改变了，当我们审视未来的需求时——每个设备都将在边缘配备强大的人工智能——很明显，数字计算将无法跟上。有了模拟计算，通常需要大型、耗电的GPU的算法将在小型、低功耗、高性价比的芯片上运行，可以集成到任何设备上。
2. 摩尔定律将继续延续
今天，只有少数制造商能够遵循摩尔定律的趋势，比20世纪90年代的几十家有所下降，因为它的成本实在太高了。工艺节点的改进已经放缓，而制造成本一直在急剧上升。简单地说，摩尔定律将不再能照常延续；下一代人工智能处理需要新的方法。
3. 模拟系统设计过于复杂
现代电子设计自动化 (EDA) 工具在以高保真度实现模拟电路的高速仿真方面取得了长足的进步。此外，模拟电路自动校准和补偿误差的能力也有了突飞猛进的发展。这种校准技术允许设计人员以模块化方式构建模拟计算系统，而不必担心系统的其他部分如何影响模拟电路。
4. 模拟计算主要是一项研究工作
在 1950 年代和 1960 年代，模拟计算机开始在商业应用中变得过时，尽管模拟计算仍在研究和某些工业和军事应用中使用。当然，从那以后发生了很多变化。Mythic等公司正在将模拟处理器投入生产，证明模拟不仅适用于商业应用，而且还为当今和未来人工智能的计算挑战提供了优化的解决方案。
5. 模拟系统不具备高性能
模拟电路可以令人难以置信的快，因为它们不需要依赖通过数字逻辑门的逻辑传播，或从存储库中取出数值。通过使用引导通过闪存阵列的微小电流，可以在不到一微秒的时间内执行大规模并行矩阵运算。
这种性能使模拟系统成为计算密集型工作负载的理想选择，例如使用对象检测、分类和深度估计的视频分析应用程序。这些功能对于工业机器视觉、自主无人机、监控摄像头和网络视频录像机 (NVR) 应用非常有用。
6. 模拟是耗电的
一个不为人知的问题是数字系统被迫将神经网络存储在 DRAM 中，这是一种昂贵、不方便且耗电的方法。DRAM 在活动使用期间和空闲期间都会消耗大量功率，因此系统架构师花费大量时间和精力来最大化处理器的利用率。
数字系统的另一个问题是，它们非常精确，这在性能和功率方面付出了巨大的代价，特别是在涉及到神经网络时。试想一下，一个系统必须从一大堆3D非易失性内存中读取数万亿的权重，以实现人工智能算法的即时计算。
在实践中，人工智能不需要那么高的精度。事实上，一些模拟处理器，在非常密集的非易失性存储器中执行模拟计算，已经比数字系统高 10 倍（有可能高 100 到 1000 倍）。它们的速度也快得多，可以将8倍多的信息装入内存。模拟技术更节能的一大优势是，它可以支持极高的处理密度，而不需要先进的冷却或供电基础设施，这对工业和企业应用程序尤其重要。
7. 模拟芯片的设计和制造成本很高
长期以来，人们一直认为模拟系统的设计和制造成本远高于数字系统。然而，事实是，数字系统越来越难以跟上制造成本和掩模组价格的上涨，1 至 3 纳米范围的成本可能超过 1 亿美元。这些成本必须摊销，这使得每美元实现功能改进变得更加困难。为了让数字系统跟上人工智能行业不断增长的计算需求，芯片上的一切都需要实现大规模的性能、成本和功耗改进。
模拟系统具有许多性能和功耗优势，同时还具有令人难以置信的成本效益。这是因为可以在具有模拟计算的旧工艺节点上实现高性能和令人难以置信的内存密度。这些工艺节点在掩模组和晶圆价格方面的成本显着降低，成熟稳定，与前沿节点相比具有更大的制造能力
8. 模拟系统和数字系统一样，必须将神经网络存储在DRAM中
硬件最重要的方面之一是每平方毫米的处理器能容纳多少内存，以及内存能消耗多少能量。对于数字系统来说，主流的存储器——SRAM和DRAM——往往消耗太多的能量，占用太多的芯片面积，而且改进的速度不够快，无法满足当今人工智能时代的需要。
模拟系统的优势在于能够使用非易失性存储器 (NVM)，它提供了令人印象深刻的密度并解决了功率泄漏问题。一些模拟系统使用闪存，这是最常见的 NVM 类型之一，因为它具有令人难以置信的密度，与硬盘驱动器相比很小，并且可以在不通电的情况下保留信息。使用模拟内存计算，算法是通过操纵和组合小电流在 NVM 单元内执行的，小电流以快速和低功耗的方式发生在整个存储库中。
9. 模拟不能运行复杂的深度神经网络
传统的数字处理系统支持复杂的深度神经网络 (DNN)。问题是这些平台占用了大量的硅空间，需要 DRAM，并且消耗大量能源，这就是为什么许多 AI 应用程序将大部分深度学习工作卸载到远程云服务器的原因。但对于需要对 DNN 进行实时处理的系统，必须在本地处理数据。
当模拟计算与闪存技术相结合时，处理器可以在片上运行多个大型、复杂的 DNN。这消除了对 DRAM 芯片的需求，并在单芯片加速器内实现了难以置信的密集重量存储。通过让许多内存计算元素并行运行，处理器可以进一步最大化推理性能。随着对实时处理的需求不断增长，这种复杂 DNN 模型的片上执行将变得越来越重要。
10. 模拟系统不像数字系统那么紧凑
的确，模拟系统一直以来都太大了。然而，新的方法使设计非常紧凑的系统成为可能。其中一个原因是闪存的高密度，因此通过将模拟计算与闪存相结合，就可以使用单个闪存晶体管作为存储介质、乘法器和加法器(累加器)电路。
11. 模拟系统无法适应不断变化的环境条件
数字技术的一个优点是，它对环境条件的变化具有广泛的容忍度，例如温度的变化和电源电压的波动。在过去的模拟系统中，电压的任何微小变化都可能在处理时导致错误。
然而，有些方法可以使模拟对不同的环境条件具有相同的弹性，并实现规模化。大多数现代模拟电路是由软件控制的，并使用大量的补偿和校准技术。这些技术还可以补偿温度和电压的变化，这使得现代高速模拟电路能够为我们所有的电子设备提供关键功能。
原文：
https://www.electronicdesign.com/technologies/analog/article/21180871/mythic-11-myths-about-analog-compute
联系客服
