北大联手IBM定义模拟计算新方向

人类用了两千年的模拟计算，开始被重新定义了。 北京大学人工智能研究院长聘副教授孙仲操刀，联合IBM苏黎世研究院和硅谷初创公司Unconventional AI的学者，在Nature旗下期刊发表综述论文，试图给「现代模拟计算」立一个正式定义。 IBM在模拟计算和存内计算领域深耕超过十年，合作作者Manuel Le Gallo与Abu Sebastian是IBM苏黎世研究院学者。

硅谷做模拟计算的公司被资本疯抢，Unconventional AI估值超45亿美元，Normal Computing获三星和Eric Schmidt投资，宣称能将AI能耗降到千分之一。 孙仲试图统一方向，联合国际同行写下「现代模拟计算」的定义。 论文从任务、硬件和应用可行性三个维度区分「现代模拟计算」和「传统模拟计算」。 现代模拟计算主要面向AI时代与6G通信的矩阵计算，扎根于阻变存储器（RRAM等忆阻器）等新型纳米器件，探索出高精度与可扩展的工程路径。

理解现代模拟计算的前提是重新认识「模拟」，其核心概念在于「类比」，即不经过二进制符号抽象，直接把数学问题映射到物理系统上。 模拟计算芯片试图在微观电路里找到能对应数学变量的物理实体。 突破传统集成电路限制的关键在于阻变存储器，它既能随时改写又能长久记住数值，开辟出电压和电流之外的新物理变量「电导」。 在阻变存储器阵列里，100万个天然乘法器可以实现在高密度下的紧凑集成。 现代模拟计算归纳为解微分方程、解矩阵方程、矩阵向量乘法（MVM）三个核心原语，共享加法器、乘法器、积分器这组基本算子，在数学与电路层面紧密耦合。

孙仲表示，撰写论文的初衷是为现代模拟计算建立完整体系，定义清晰方向。 当前集成电路行业研发存算一体芯片的团队很多，但绝大多数集中在「矩阵乘法加速」这条路线上，主要用于AI推理。 孙仲与安纳智芯选择求解矩阵方程与矩阵求逆切入，这个选择背后，藏着数字芯片在真实算力世界里最大的痛点。 在智算中心与科学计算的繁重负载里，超过80%的算力开销往往花在求解形如Ax=b的线性方程组上。 求解这个方程的核心就是要算出未知数向量x，很难绕开「矩阵求逆」这道硬坎。

数字芯片内部根本没有能够直接做矩阵求逆的专用硬件单元，通用GPU要想完成一次求逆，只能通过数值算法，把它拆解成几十次甚至上百次矩阵乘法去反复循环、渐进逼近。 安纳智芯设计的模拟矩阵计算（AMC）电路改变了规则。 团队在阻变存储器阵列外围引入全局负反馈闭环，让电路的瞬态响应直接对应矩阵方程求解。 原本需要GPU执行上百次迭代的运算，AMC电路一步测量就能输出精确解，单次操作耗时小于100纳秒，而且该物理响应时间与矩阵的维度大小无关。 但计算速度再快，如果算不准，模拟芯片依然无法走出实验室。

精度，历来是阻碍模拟计算走向实用的「阿喀琉斯之踵」。 孙仲团队在《PNAS》上展示一步求解矩阵方程时，受制于模拟器件的涨落波动，求解相对误差大约在3%，硬件阵列规模也只有3×3。 这项悬宕多年的技术难题，直到2025年10月才被彻底攻克。 彼时，孙仲团队在《Nature Electronics》发表突破性论文，提出了一套兼顾高精度与可扩展性的模拟矩阵方程求解方案。 通过8个3比特阵列切片拼接，系统实现了24位定点精度。

低精度求逆负责定方向，高精度乘法负责逐步消除残差，仅经过3次迭代就将求解相对误差压低到10^-4，后续更可收敛至10^-7，这一相对误差水准追平了数字处理器的FP32单精度浮点运算。 这种模拟精度的提升在理论上不存在上限，可以通过增加切片数量和迭代步数持续提高。 面对更大维度的实际问题，团队配套设计了BlockAMC分块算法，将庞大矩阵渐进拆解。