创新的微芯片设计将计算推向了边缘，并使AI实时可用，从而减少了能源消耗。现在，研究人员正在通过创建共同设计的硬件和软件使他们的创新更接近广泛使用，使设计人员能够将这些新型系统整合到他们的应用程序中。通过降低电力需求和从远程服务器交换数据的需要，采用普林斯顿技术构建的系统将能够将人工智能应用（例如无人机驱动软件或高级语言翻译）带到计算基础设施的最边缘。新芯片基于模拟计算，它使用电路来模拟正在求解的方程式，而不是像数字计算机那样产生1和0。两年前，普林斯顿大学的一组研究人员生产了一种新芯片，旨在提高作为当今人工智能本质的神经网络的性能。该芯片的性能比其他先进的微芯片好几十到几百倍，在几个方面标志着一种革命性的方法。事实上，该芯片与目前用于神经网络的任何芯片都大不相同，这对开发人员构成了挑战。在接下来的两年里，研究人员致力于完善芯片并创建一个软件系统，使人工智能系统能够利用新芯片的速度和效率。在2021年2月的固态电路国际虚拟会议上，主要作者、Verma研究实验室的研究生HongyangJia描述了新软件如何让新芯片与不同类型的网络一起工作，并让系统工作在硬件和软件的结合上。执行是可扩展的。Verma的团队开发了新芯片，以应对AI不断增长的需求以及AI给计算机网络带来的负担。人工智能使机器能够模仿学习和判断等认知功能，在图像识别、翻译和自动驾驶汽车等新技术中发挥了关键作用。理想情况下，无人机导航等技术的计算将基于无人机本身，而不是基于远程计算机网络。但数字微芯片的功率需求和对内存存储的需求会使设计此类系统变得困难。通常，该解决方案将大部分计算和内存放在与无人机无线通信的远程服务器上。但这增加了对通信系统的要求，并引入了安全问题和向无人机发送命令的延迟。为了解决这个问题，普林斯顿大学的研究人员从几个方面重新考虑了计算。首先，他们设计了一个芯片，可以在同一个地方进行计算和存储数据。这种称为内存计算的技术减少了与专用内存交换信息所花费的能量和时间。该技术提高了效率，但也引入了新问题：因为它将两个功能塞进一个小区域，内存计算依赖于模拟操作，这对电压波动和温度尖峰等来源非常具有破坏性。敏感的。为了解决这个问题，普林斯顿团队使用电容器而不是晶体管设计了他们的芯片。电容器是存储电荷的设备，可以更精确地制造，并且不受电压变化的影响。电容器也可以非常小并放置在存储单元的顶部，从而增加处理密度并降低能量需求。为了解决这个问题，普林斯顿大学的研究人员从几个方面重新考虑了计算。首先，他们设计了一个芯片，可以在同一个地方进行计算和存储数据。这种被称为内存计算的技术大大减少了与专用内存交换信息所需的能量和时间。该技术提高了效率，但也引入了新问题：因为它将两个功能塞进一个小区域，内存计算依赖于模拟操作，这对电压波动和温度尖峰等来源非常具有破坏性。敏感的。为了解决这个问题，普林斯顿团队使用电容器而不是晶体管设计了他们的芯片。电容器是存储电荷的设备，可以更精确地制造，并且不受电压变化的影响。电容器也可以非常小并放置在存储单元的顶部，从而增加处理密度并降低能量需求。然而，即使在使模拟操作变得强大之后，仍然存在许多挑战。模拟核心需要有效地集成到一个以数字为主的架构中，以便它可以与其他功能和软件相结合，使实际系统真正发挥作用。数字系统使用开关来表示1和0，计算机工程师使用它们来编写构成计算机编程的算法。模拟计算机采用完全不同的方法。在IEEESpectrum的一篇文章中，哥伦比亚大学教授YannisTsividis将模拟计算机描述为一个物理系统，其设计受与程序员想要解决的问题相同的方程式控制。例如，算盘是一种非常简单的模拟计算机，水桶和软管可以用作某些微积分问题的模拟计算机：求解积分函数，进行数学运算，或直接测量桶中的水.模拟计算是整个二战期间的主导技术。它被用来执行从预测潮汐到指挥舰炮的各种功能。但是模拟系统构建起来很麻烦，而且通常需要训练有素的操作员。在晶体管出现后，数字系统被证明更加高效和适应性更强。但是新技术和新电路设计已经让工程师们消除了模拟系统的许多缺点。对于像神经网络这样的应用，模拟系统具有真正的优势。现在，问题是如何结合两全其美。这两类系统是相辅相成的。数字系统起着核心作用，而使用模拟芯片的神经网络可以极其快速高效地运行专门的操作。这就是为什么开发一个能够无缝、高效地集成这两种技术的软件系统是如此关键的一步。
