当谈到新技术和新产品时，我们往往觉得“数字”是先进、现代和高清的代名词，而“模拟”则被认为是倒退、过时和低分辨率的，甚至认为模拟已经死亡。那你就错了，模拟处理不仅是我们今天所依赖的许多重要系统的核心，还将进入新一代计算和智能系统。未来驱动AI的一些最佳电路也可能是模拟的，而且世界各地的研究团队正在开发新的设备来支持这样的模拟AI。

简单的模拟技术

第二次世界大战期间，模拟电路在实现第一个自动防空火控系统方面发挥了关键作用，在随后的几十年里，模拟计算机成为计算火箭和航天器飞行轨迹的重要工具。

模拟技术在飞机、船舶和发电厂的控制和通信系统中也很普遍，其中一些系统至今仍在运行。直到不久前，模拟电路还控制着我们大部分的电信基础设施，他们甚至统治了办公室的复印室，在那里早期的复印机不用处理一个数字位就能复制图像。

我们对模拟技术的热爱持续了这么长时间，因为这项技术一次又一次地被证明是准确、简单和快速的。它驾驶我们的火箭，驾驶我们的船只，记录和回放我们的音乐和视频，并在几十年里将我们彼此联系在一起。然后，从20世纪60年代中期到后期开始，数字技术出现了，并迅速占领了市场。

模拟技术一次又一次被证明是准确、简单和快速的，并在几十年里将我们彼此联系在一起。

至于后来为什么模拟被数字抛弃了？最大的弱点是模拟太死板，当你试图让它变得灵活时，它会变得复杂得多。更多的复杂性带来了不相称的可靠性下降（坏），所以工程师们开始注意到摩尔定律正在使密集计算变得极其可靠和廉价。

与此同时，MEMS和微制造技术的发展，促进了捕捉物理信号并将其转换为数字信号的传感器商品化。很快，运算放大器被抛弃，取而代之的是逻辑门，正如摩尔定律所预测的那样，逻辑门的价格呈指数级下降。机械连接变成了“电传操纵”，设计师将数字化推向了边缘。

在今天的消费电子世界中，模拟仅用于与人类交互，捕捉和产生声音、图像和其他感觉。在更大的系统中，模拟被用来在机器上转动轮子和掌舵，让我们在我们的模拟世界中移动。但对于大多数其他电子应用，工程师们会尽可能地将信号转储到数字域。结果是，数字逻辑的优势——便宜、快速、健壮、灵活——已经让工程师们对模拟处理变得非常反感。

经过长时间的中断后，Carver Mead关于回归模拟的预言开始成为现实。加州理工学院教授、微电子学先驱Mead在1990年一篇颇具影响力的《IEEEpaper学报》上写道，“大规模自适应模拟系统比传统系统更能抵御元件退化和故障，而且功耗也低得多。”因此，自适应模拟技术有望充分发挥晶圆级硅制造的潜力。

AI喜欢模拟

硬件工程师通常将模拟视为与物理世界互动的必要工具。但事实证明，AI和深度学习算法似乎更符合模拟和神经形态计算平台。

如果运行传统硬编码算法的电路不精确，误差就会在系统中传播而失去控制。神经网络则不然，它的内部状态不需要很精确，系统可以根据给定的输入产生想要的输出。事实上，我们的大脑是运转良好的异常嘈杂的系统。工程师们了解到，他们也可以使用高噪声模拟方法在硅片中实现深度网络，从而节省100倍的能源。

Lux Capital公司资助了Nervana，该公司建立了原生运行卷积神经网络的ASICs，以加速深度学习算法的训练。虽然数学运算是在数字域中完成的，但整个系统架构在很高的水平上模仿了人脑。这种方法在云中训练AI时效果很好，尽管运行像无线机器人这样的便携式设备仍然消耗太多能量。

目前有一个明显趋势，越来越多的小工具和其他系统成为我们生活的一部分——从恒温器到汽车——将变得更加智能，更加机器人化。这些系统将要求计算机体积小、轻便、功耗低；他们还需要反应灵敏，时刻保持警惕。对于当今的计算系统来说，这是一系列严格的要求，这些系统通常会消耗大量的电力（除非它们处于待机状态），并且需要连接到云才能执行有用的功能。这正是模拟可以提供帮助的地方。

至于为什么要现在转向模拟？答案很简单：我们正处于一个独特的十字路口，我们试图实现的神经网络更适合模拟设计，而对这种类型的AI电路的需求预计将会爆炸式增长。

奇异的模拟器件技术

现代计算机有专门用于MAC运算的数字元件，但理论上模拟电路可以用少几个数量级的能量完成这些计算。这种策略被称为模拟AI、内存计算或内存处理，通常使用非易失性存储器件来执行这些乘累加操作，如闪存、磁阻RAM（MRAM）、电阻RAM（RRAM）、相变存储器（PCM），甚至更深奥的技术。

韩国一个团队正在探索基于镨钙锰氧化物电化学随机存取存储器（ECRAM）器件的神经网络，这种器件就像微型电池一样，以电导变化的形式存储数据。这项研究的主要作者韩国浦项科技大学（Pohang University of Science and Technology）的Chuljun Lee指出，神经网络硬件在训练和应用过程中往往有不同的需求。例如，低能垒有助于神经网络快速学习，但高能垒有助于它们在应用过程中保留所学内容。

德国Julich研究中心的Peter Grü nberg神经形态计算节点研究所的电气工程师John Paul Strachan说，“在训练期间将他们的器件加热近100摄氏度，会产生有利于训练的特性。冷却下来时，他们获得了更长的保留时间和更低的电流操作优势。只需调整一个热量旋钮，就可以看到多个方面的计算改进。”研究人员在12月14日的年度IEEE国际电子设备会议（IEDM）上详细介绍了他们的发现。

Strachan指出，这项工作面临的一个关键问题是，经过多次加热和冷却循环后，这种ECRAM可能会出现什么样的退化。尽管如此，“这是一个非常有创意的想法，他们的工作是一个概念的证明，这种方法可能有一些潜力。”

圣母大学的Khandker Akif Aabrar在研究铁电场效应晶体管（FEFETs）。场效应晶体管在每个晶体管中以电极化的形式存储数据，FEFETs面临的一个挑战是，当它们缩小规模时，它们是否仍能显示对AI应用有价值的模拟行为，或者它们是否会突然切换到二进制模式，在这种模式下，它们只存储一位信息，极化状态不是一种就是另一种。

没有参与这项研究的Strachan说，“这个团队工作的优势在于他们对相关材料的洞察力，铁电材料可以被认为是由许多小磁畴组成的块，正如铁磁体可以被认为是上下磁畴一样。对于他们想要的模拟行为，他们希望所有这些域响应于所施加的电场而缓慢地向上或向下排列，而不是出现一个它们都同时向上或向下的失控过程。

因此，他们用多层电介质层物理打破了铁电超晶格结构，以减少这种失控过程，让系统实现了94.1%的在线学习准确率，与其他FEFET和RRAM技术相比非常好。

参考链接：

https://spectrum.ieee.org/new-devices-for-analog-ai

https://spectrum.ieee.org/analog-and-neuromorphic-chips-will-rule-robotic-age