据报道，因为行业继续推动机器学习（ML）和人工智能（AI）大量相关的新概念和新技术层出不穷。其中，模拟计算被重新提出，作为提高处理效率的一种方法。
该技术对于给定的应用程序相对较新，仍有很大的改进空间。IISC研究人员发表论文，描述未来可扩展的模拟AI新的芯片框架。
本文将讨论模拟计算对人工智能的好处、挑战和挑战IISC的新研究。
为何转向模拟？
模拟计算BSS123是一种早于数字计算的技术，但随着数字计算的兴起，它在很大程度上被遗忘了。现在，研究人员再次关注模拟，因为它在某些方面比数字更有优势。
随着数据速度越来越快，处理节点越来越小，全球互联网范围越来越广，行业的一个新趋势是数据移动对应的能耗显著增加。
内存内外数据的物理移动已成为芯片整体功耗最重要的因素之一。此外，数据密集应用程序ML，我们发现冯·诺伊曼结构不再合适AI/ML。
相反，模拟计算允许内存中的计算，数据可以在存储位置处理。由于整体数据移动显著减少，整体能耗也显著降低。因此，在AI/ML在应用中，模拟AI比传统数字更能提供AI能效高100倍。
模拟AI挑战：缩放
在成为数字计算的竞争对手之前，模拟计算虽然具有能效优势，但仍面临一些挑战。
AI/ML模拟处理器的测试和协同设计是模拟计算设计的关键挑战之一。传统的超大型集成电路(VLSI)设计可以由数百万个晶体管组成，但工程师可以通过编译高级代码进行综合设计。该功能允许在不同的工艺节点和产品之间轻松移植相同的设计。
但由于晶体管偏置、温度变化和动态范围有限，模拟芯片不易扩展。因此，每一代产品和每个工艺节点都需要单独定制和重新设计。这不仅使设计更耗时、更昂贵，而且降低了可扩展性。
模拟AI要成为主流，首先要解决设计和可扩展性的挑战。
IISC的AI扩展框架
要解决这个问题，IISC在他们最近发表的论文中，研究人员提出了一个新的可扩展模拟计算设计框架。
他们工作的关键是围绕边缘传播(MP)泛化是一种使用数学工具的数学工具MP合成模拟分段线性计算电路的原理反映了价值。在此基础上，研究人员开发了一种基于形状的新型模拟计算(S-AC)允许研究人员模拟框架框架ML常用于不同的架构function。
该框架可以与数字设计相同，在计算精度和速度/功耗之间权衡，也可以跨越不同的工艺节点和偏差管理。
研究人员实现了一些目标，以证明其可行性S-AC电路，对应ML不同工艺节点中常见的数学函数。结果表明，180纳米CMOS工艺和7纳米FinFET在这个过程中，电路I/O特征在合理范围内保持一致。
有了新的框架，研究人员希望在不久的将来实现更具扩展性和更高成本效率的模拟AI设计。