本文介绍了一项关于内存计算（In-Memory Computing）的创新研究，由Wenhao Song、Mingyi Rao、Yunning Li等作者共同完成，并于2024年2月23日发表在Science期刊上。该研究提出了一种新的电路架构和编程协议，旨在解决传统内存计算中由于读取噪声和写入变异性导致的精度和可扩展性问题，从而使得低精度的模拟设备能够执行高精度的计算任务。
内存计算是一种能够绕过传统冯·诺依曼架构中内存与处理器之间瓶颈的计算方法，特别适用于处理复杂的物理系统，如材料建模和气候科学中的大规模问题。然而，传统的内存计算架构在实现高精度计算时面临诸多挑战，例如设备间的异质性导致的读取噪声和写入变异性。这些问题限制了内存计算在高性能科学计算和神经网络训练中的应用。
为了解决这些问题，研究团队提出了一种新的方法，通过将多个低精度设备的加权和来表示一个高精度数字，并利用后续编程的设备来补偿先前编程中的误差。这种方法能够在保持高能效的同时，实现高精度的科学计算任务。
研究团队开发了一种新的电路架构和编程协议，具体包括以下几个步骤：
电路架构设计：研究提出了一种“真模拟”架构，尽可能在模拟域内完成计算，仅在最后一步将结果转换为数字信号。这种方法通过动态映射剩余误差和设备电导率来实现高精度编程。
编程算法：研究团队设计了一种高精度编程算法，通过多个子阵列的逐步编程来补偿误差。每个子阵列的编程误差通过后续子阵列的编程来逐步减小，从而实现了高精度的数值表示。
实验验证：研究团队在两种忆阻器平台上进行了实验验证，包括实验室制造的忆阻器和商用制造的忆阻器系统级芯片（SoC）。实验结果表明，该方法能够在保持高能效的同时，实现高达10^-15的精度。
研究团队通过实验验证了该方法在解决偏微分方程（PDE）和自适应滤波器等科学计算任务中的有效性。具体结果包括：
高精度PDE求解：研究团队使用该方法成功求解了拉普拉斯方程、泊松方程、纳维-斯托克斯方程和磁流体动力学问题，并实现了高达10^-15的精度。
递归最小二乘滤波器：研究团队还展示了该方法在硬件递归最小二乘滤波器中的应用，成功估计了信道系数并恢复了无噪声信号。
能效优势：与传统数字方法相比，该方法在能效上具有显著优势，能够以更低的能耗完成高精度计算任务。
该研究提出了一种创新的电路架构和编程协议，能够有效解决内存计算中的精度和可扩展性问题。该方法不仅能够实现高精度的科学计算，还为神经网络训练和复杂物理系统建模等应用提供了新的可能性。研究团队通过实验验证了该方法在实际应用中的有效性，并展示了其在能效上的显著优势。
研究团队还展示了该方法在解决时间演化问题（如纳维-斯托克斯方程和磁流体动力学问题）中的有效性，进一步证明了其在复杂物理系统建模中的潜力。
总之，这项研究为内存计算领域带来了重要的突破，为未来的高性能计算和复杂系统建模提供了新的工具和方法。