一种更简洁高效的全模拟神经网络计算设备

近年来，人工智能（AI）发展迅速，但大型AI任务（如大语言模型ChatGPT）对算力需求激增，导致巨大能耗。当前主流计算设备（CPU、GPU）基于冯·诺依曼架构，因计算与存储分离存在“冯·诺依曼瓶颈”，能效较低（CPU约1-10吉 FLOPS/瓦，GPU约100吉 FLOPS/瓦）。

人类大脑却展现出极高能效：每秒约10¹⁶次模拟运算，功耗仅20瓦，能效达数百太 AOPS/瓦。受此启发，研究人员开发了类脑神经网络计算硬件，通过突触阵列实现向量-矩阵乘法（VMM），能效可达太 FLOPS/瓦级，远超GPU。但现有类脑硬件与大脑的系统能效仍有较大差距，原因可能有二：一是缺乏大脑的多种数据压缩功能（以降低计算复杂度），二是未像大脑那样完全在模拟域运行（模拟计算无需量化离散，支持更高密度并行处理）。

为此，本研究开发了系统和芯片级的低开销全模拟神经网络计算硬件（FANCH）。其创新点包括：
1. **全模拟计算**：输入信号经压缩预处理后，直接进入模拟突触阵列进行存内计算，结果由模拟处理单元（跨阻放大器TIA、差分电压放大器DFA、全模拟激活函数单元FAFU、电压比较器CMP等）处理，无需任何数模转换或缓冲，避免了传统硬件中ADC/DAC转换的功耗。
2. **输入数据压缩**：采用局部平均滤波等算法压缩数据，将MNIST手写数字图像从28×28压缩至7×7，三层全连接神经网络规模从784×100×10缩减至49×10×10，突触数量减少约135倍，计算复杂度降低约17倍。
3. **软硬件协同训练**：通过调整FAFU的系数K1和K2，优化神经网络权重与模拟激活特性，使FANCH的准确率损失降至预设阈值（0.5%）以下。

硬件测试显示，FANCH在压缩后的MNIST手写数字测试集上准确率达87.64%，仅比软件模拟基准（88%）低0.36%；功耗仅27.3毫瓦，识别速度快至0.6微秒。与基于混合模数或数字域的类脑硬件相比，FANCH能效提升1.54-2.81倍；与主流商用AI加速硬件相比，系统级FANCH_SL能效潜力提升2.1-15.3倍。

该研究为边缘设备提供了高效低资源的全模拟AI计算方案，未来需进一步探索其在大规模神经网络、复杂数据集上的扩展性，以及引入模拟存储技术、先进工艺节点等以提升性能。