來源：内容由半導體行業觀察（ID：icbank）編譯自semiengineering，謝謝。

這個行業已經到了一個拐點，模拟技術得到了全新的面貌，但數字技術不會輕易退讓。

我們生活在一個由數字處理主導的模拟世界，但這可能會改變。領域的特殊性，以及對更高層次優化的渴望，可能會為模拟計算提供一些顯著的優勢——以及卷土重來的可能性。

在過去的四十年裡，數字縮放和靈活性的優勢已經把模拟和數字之間的分界線推向了邊緣。如今，這些轉換通常是在傳感器和執行器附近完成的。通信一直是一個難題，因為無論是有線還是無線信道，都不默認數字化的要求。

1960年代的 Heathkit 模拟計算機

但有幾個重要的變化即将到來，包括:

• 從經濟意義上說，芯片擴展正在放緩或停止，這意味着未來從數字擴展中獲得的收益不再得到保證。這是領域特定體系結構的主要驅動因素之一。

• 領域特異性意味着靈活性的價值降低，這在過去對模拟是不利的。

• 刻線限制意味着許多系統将變成多模，而每個模不必在同一技術節點上實現。這可能使更舊、更便宜的節點可以用于模拟。

• 人工智能推理嚴重依賴于乘/積運算，這在模拟中是非常高效的。

• 近似計算可能會變得更加普遍。

• 延遲正在成為一個更重要的性能需求。

“世界是模拟的，所以電路将是模拟的，” Fraunhofer IIS自适應系統部工程高級混合信号自動化組經理 Benjamin Prautsch 說。“有一些類别的IP從數字輔助和完全數字替代中獲益顯著。然而，由于模拟和數字之間的轉換産生了限制，因此需要在系統級别上研究這種好處。一個聰明的模拟電路可能會超越使用數字輔助的媒體電路，但有許多因素和性能衡量會發揮作用。”

除了傳感器和執行器，無線通信也變得越來越重要。Ansys産品營銷總監馬克•斯威南(Marc Swinnen)表示:“過去，所有東西都是用網線連接的。”“如今，每一件物聯網設備都需要無線連接。他們正在使用無線電通信，這創造了越來越多的模拟和射頻内容。此外，當你觀察數字信号頻率時，它們一直在攀升。5GHz是一個神奇的數字，在這個數字中，電感成為一個重要的參與者，即使在芯片級也是如此。然後，必須考慮電磁效應。如果你想正确地分析它們，這些數字信号看起來非常像模拟信号。當你看到2.5D和3D結構時，這是一個更大的問題，就芯片而言，你有非常高速的導線，可以移動很長的距離。”

每增加一個新的節點，數字電路的性能特性就會得到改善。面積下降，性能上升，功率下降，電容下降。然而，這對于模拟就不成立了。每一個新的節點通常都與電壓降低有關，這損害了模拟，因為它降低了噪聲容限。變化對模拟電路的影響要比數字電路大得多。FinFET為模拟産生了限制。這樣的例子不勝枚舉。

這導緻模拟不得不做出妥協。西門子EDA産品經理Sumit Vishwakarma表示:“如果你在單個模具上制造所有東西，比如12納米，那麼模拟就需要移動到相同的工藝節點。”“你被迫失去模拟性能。由于模拟性能在低技術節點上開始惡化，它需要幫助。這就是為什麼我們會看到數字輔助模拟設計的湧入。”

當模拟電路和數字電路解耦，并采用适當的技術時，模拟電路就不會受損。Semtech信号完整性解決方案集團營銷和應用副總裁Tim Vang說:“我們可以設計出在某些情況下與數字電路具有相同甚至更好的功能的模拟電路，我們也可以在較老的節點上做到這一點。”“成本可以更低，因為我們不需要所有的數字功能，所以模具尺寸可以更小。我們可以降低能耗，因為我們沒有那麼多的功能。”

模拟還可以利用更多的制造技術。Vang補充說:“從任何流程節點中獲得的東西都是有限的，即使是在模拟中。”“如果你想使用CMOS，我們甚至可以在65納米技術中做事情。我們也使用其他工藝，如BiCMOS，或矽鍺。它們甚至可以更适合與光學元件連接。光學通常喜歡将信号表示為電流，而不是電壓，而雙極非常擅長驅動這些電流。”

随着小芯片獲得越來越多的關注，做出這些技術決策增加了更多的靈活性。Mythic公司産品和業務開發高級副總裁蒂姆•韋林(Tim Vehling)表示:“一種小芯片的方法，或者一種異構的方法來整合邏輯或能力，都很有意義。”理論上，模拟計算部分可以保持在40nm或28nm。然後你可以把它和一個有處理器，内存和I/O的數字芯片相匹配，它可能是10nm。它們可以集成到單個包或單個堆疊架構中。随着芯片的出現，模拟技術的壽命更長了。”

這也為光學創造了優勢。Vang說:“在IEEE和其他标準組織中，他們使用像共封裝光學或闆載光學這樣的詞，這一切都是為了使光互連更接近開關和CPU。”“這主要是為了節省驅動整個闆到位于底盤前端的光學元件的電力。這些是現在使用的可插拔模塊。高速運行時的能量消耗已經足夠了，他們一直在推動将模拟光學裝置與電路闆上的數字開關越來越近。我們認為這是一個巨大的機會，它們将有效地像世界上的光學I/O芯片一樣工作。”

延遲是一種性能指标，它給數字遊戲帶來了困難。“我們的模拟引擎運行速度隻是數字引擎的一小部分，”Vehling說。“我們在兆赫範圍内運行，而不是千兆赫範圍。由于數據移動，數字架構與延遲作鬥争。對于模拟解決方案，權重是固定的，計算在元素本身内部。從延遲的角度來看，即使在兆赫範圍内，我們也比數字架構更快。”

這對通信系統有很大的好處。“信号基本上有通過芯片的飛行時間，”Vang說。“沒有A-D的轉換、數字處理，然後在另一端從D-to-A。解決方案基本上是零延遲，或者接近零延遲。如果您讨論的是從紐約到洛杉矶的互連，延遲不是那麼重要，但如果您試圖在數據中心内移動幾米，延遲的節省是顯著的。對于超級計算機用戶來說，模拟有一些獨特的優勢:成本、功率和延遲。”

數字世界是非常精确、可預測和确定性的。這些要求與模拟相抵觸，但這種情況正在改變。“人工智能的準确性取決于模型，”Vehling說。“根據他們選擇的模型，準确度會發生變化。如果你選擇大一點的模型，它會有更好的精度。較小的模型精度較低。如果你選擇不同的精度，你會得到不同的精度。如果您選擇不同的分辨率，您的精度将會改變。如果你有一個不同的數據集或者它被訓練成不同的，你的準确性将會改變。我們看到有人會修剪模型，因為他們想讓它更适合。如果你修剪它，會降低準确性。在數字系統中，一個給定應用程序的模型的精度可能會有很多變化——可能不像在模拟系統中那樣變化，但今天肯定會有變化。在任何情況下，人工智能模型的準确性都有很大的變化，更不用說數字和模拟了。”

任何人工智能系統的核心都是乘法/累積函數(見圖2)。西門子的Vishwakarma說:“執行這些MAC操作所消耗的能量是巨大的。”“部分原因是神經網絡有權重，而這些權重需要存儲在内存中。他們必須不斷地訪問内存，這是一個非常消耗能量的任務。如果你比較計算和數據傳輸的能力，它幾乎是前者的1/10。為了解決這個問題，公司和大學研究人員正在研究模拟計算，将權重存儲在閃存中。内存計算是一個常用的術語，權值存儲在内存中。現在我隻需要輸入一些輸入，然後得到一個輸出，基本上就是這些權重與我的輸入相乘。”

模拟電路實現 MAC 功能

還可以進行其他架構上的權衡。“你可以看到峰值神經網絡被用于檢測基于時間的變化，然後可以組合部署，”Vehling說。“你可能會看到一個尖刺神經網絡部署在傳感器級别，以檢測變化或運動。一旦發生這種檢測，您就轉向更詳細或更精确的模型來識别對象。因此，你已經開始看到将人工智能部署到該行業的分層方法。”

但也存在障礙。Movellus總裁兼首席執行官莫•費薩爾表示:“原則上，全模拟解決方案應該更節能。”“但在一個以數字為主的混合設計中，實現模拟效率的承諾并不容易。對于大多數公司來說，模拟是具有挑戰性的，因為它不能在較小的幾何尺寸上伸縮，并且在産量、性能和可伸縮性方面令人失望。然而，模拟技術仍在少數領域顯示出前景和潛力。”

混合意味着轉換器。Vishwakarma說:“當你想把模拟基礎設施插入數字世界時，你需要轉換器。”“輸入端需要DAC，輸出端需要ADC。這就是模拟如何融入數字世界的連接方式，因為我們隻需要模拟來解決計算密集的MAC操作。但世界上的其他地方都是數字化的。”

這就是必須考慮系統級權衡的地方。Fraunhofer的Prautsch說:“一個優化的模拟核可以顯著降低功耗和吞吐量，但它需要這些轉換。”“轉換是否會減少模拟替換的好處是一個系統級的決定，需要通過建模和概念優化來分析。”

轉換器的問題能被克服嗎？Vehling說:“如果你能在模拟世界中實現數字工作，我們的效率将大大提高。”他說:“如果我們能真正擁有一個原生模拟處理器，而不是将原生模拟信号從傳感器中提取出來，而不是轉換，那将是理想的。這将大大提高電力效率、性能和延遲時間。”

不是每個人都相信這是正确的方向。“将與計算相關的功能轉移到模拟領域絕對可以提供卓越的性能和能源效率，”Ambiq的首席技術官兼創始人斯科特·漢森(Scott Hanson)說。“幾家創新的創業公司在這裡展示了傑出的成果，并發展了專業知識。然而，模拟計算的固有挑戰(例如，節點可伸縮性差，設計時間長，不同計算問題之間缺乏靈活性等)使得隻有少數非常專業的專家能夠在這個領域取得成功。”

相反，Hanson關注的是實現技術的持續改進，以及跨節點遷移設計是相當容易的事實。“還有其他互補的技術，比如亞阈值和近阈值計算。過程節點縮放與子阈值和近阈值計算的結合為令人興奮的AI新功能提供了巨大的空間，所有這些都沒有基于模拟計算的複雜性。簡而言之，我們押注于數字計算。”

模拟要想成為人工智能的主導引擎，它必須滲透到訓練和推理中。“如果你能從你的激光雷達傳感器、雷達和CMOS圖像傳感器獲取原始信号，而不是将其轉換為數字信号然後再返回，将原始輸入輸入到模拟陣列，那麼收益将是巨大的，”Vehling說。“但你必須訓練系統以模拟方式識别數據。這就是模拟計算機的未來，一個真正的模拟系統。與此同時，我們在融入數字架構方面也受到了一些限制。”

我們必須克服一些挑戰。西門子的Vishwakarma說:“模拟信号的挑戰之一是模拟信号的呈現方式沒有限制。”“人工智能擅長識别模式，但我們不能隻給它一個連續的信号。它需要被離散和量子化。為了訓練模型，您需要疊代地更新權重，直到它确定為将用于推斷的權重為止。然後我可以把權值保存在非易失性内存中。但是，我們不能改變模拟的權重值，閃存中的電阻的值。一旦你裝上，它就在那裡了。如果你需要改變權重，你就需要像DRAM一樣的随機存取存儲器，這就是我們的問題所在。”

有些事情模拟比數字做得更好，但最大的問題是如何集成它們，使它們在系統層面産生期望的增益。然而，由異構實現技術為每個子系統提供的潛在解耦可能使模拟計算更容易被考慮為越來越多的功能。這樣他們就能以更低的成本提供卓越的性能。

如果模拟計算真的變得更加普遍，新的存儲技術很可能會被研究和開發，這将使模拟AI成為可能。它可以提供數量級的增益。或者用馬克·吐溫的話來說，“模拟技術的消亡被大大誇大了。”

*免責聲明：本文由作者原創。文章内容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第3067内容，歡迎關注。

晶圓｜集成電路｜設備｜汽車芯片｜存儲｜台積電｜AI｜封裝

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!