AI边缘加速

早期被数字计算取代
●  精度不足：工艺和器件不稳定，易受制造误差和噪声干扰。
● 存储低效：模拟计算难以进行存储。

在神经网络中卷土重来
● 精度需求降低：神经网络对精度的要求更低，同时制造工艺更加成熟。
● 存储能力提升：模拟计算和数字存储进行融合，提升存储能力。

模拟计算的独特优势
● 速度快：提高计算并行度，减少模数转换次数。
速度相较CPU提升最高5000倍。
● 面积小：将数字电路中复杂的多位加法器乘法器使用少量ADC
和电阻网络代替，减少晶体管数量。
面积相较数字电路减小10倍。
● 能耗低：减少模数转换次数，减少内存访问能耗，减少器件运算能耗。
能效相较数字电路提升可达1000倍。

以可变阻值的电阻表示神经网络中的权重，电阻阻值由SRAM,FLASH,RRAM等存储器件记录。

使用物理定律代替计算电路，将数字电路中结构复杂的加法器和乘法器使用电阻代替。

本例中，权重 W 映射到电阻阵列中每个节点电阻的电导值 G ，输入向量 x映射到电阻阵列每行的输入电压 V。
输出向量映射到每个列上的电流I中。加法和乘法的计算由欧姆定律和基尔霍夫电流定律确定。

应用方向：语音识别、图像识别、人脸识别、动作识别、环境监测...