他们现在想达到的研究目标，就是将存储和计算融合在同一个物理操作中。
如果采用忆阻器或者类似的交叉阵列结构，就能基本实现这个目标。
例如，可以将这个阵列想象成一个棋盘，每一行代表一个输入电压信号，每一列代表一个输出电流信号，那么，每一个交叉点，就是一个忆阻器单元，其中的电导值，就代表了一个矩阵中的权重。
而要利用物理定律实现这个矩阵乘法，首先可以通过特定的电脉冲，将训练好的神经网络权重值，精确地编程到每个忆阻器的电导值上，这一步就相当于把模型固化在了硬件里。
当需要计算时，将输入向量转换成相应的电压信号，同时施加到阵列的行线上，再根据欧姆定律（I=V*G），每个忆阻器就会产生一个与其输入电压和自身电导成正比的电流。
然后，根据基尔霍夫电流定律，每一列线上的总电流是所有行线在该列上产生的电流之和，则每一列的总输出电流，I=∑（V*G），恰好就是输入向量与权重矩阵一列的向量点乘结果。
也就是说，整个阵列在一个时钟周期内，在一次物理操作中，就完成了整个矩阵乘法的计算。
当林东升将自己的想法分享出来时，所有的人全都惊呆了。
这确实是一个天才的想法，而且，切实可行！
黄院士听了，也是眼睛一亮，非常认可他的这个解决方案。
如此看来，她当初向姚教授求助，让林东升这样的数学和计算机双料天才参与进来，绝对是一个非常正确且英明的决定。
不过，她认真思索一番后，很快又皱眉说道：“这个解决思路是正确的，不过，传统的模拟计算因噪声、器件非理想特性等原因，精度很难超过8位，接下来咱们需要突破的，就是最难的精度问题。”
“也就是说，咱们还需要开发出相应的高精度电导调制技术，能够将权重值精确、稳定地写入忆阻器单元，并实现多个离散的电导状态。”
在黄院士的指导下，科研团队又埋头苦干了两个月，终于研究出了创新的电路设计。
即使用一对忆阻器来表示一个权重，一个正项，一个负项，再通过差分信号来抵消共同噪声，提高信噪比和动态范围。
同时，将一个大阵列分解为多个小核，这样可以减少长导线带来的电阻和电容效应，这些效应，往往也是导致信号衰减和失真的主要原因。
最后，他们又在阵列的输出端集成了高精度、低功耗的模数转换器，将模拟电流信号及时转换为数字信号进行后续的处理。
之后，他们通过反复验证，终于成功设计出了基于55纳米工艺的模拟矩阵计算芯片，并在纯模拟计算模式下，实现了96.6%的惊人准确率，这也充分证明了它进行高精度、复杂AI推理的能力。
经过测算和实验，他们发现该芯片在执行矩阵乘法任务时，其单位能效比同等工艺下的传统数字芯片（如CPU和GPU），提升了数十倍甚至上百倍，功耗却直接降低了一到两个数量级。
可以说，因为“存算一体”架构消除了大量的数据搬运，让计算可以在存储器内并行发生，极大地提升了计算并行度和吞吐量，也让单位面积的计算密度，远高于数字逻辑单元。
当一切尘埃落定，整个科研团队都在为实验和验证的成功欢喜时，林东升默默地走出了实验室。
他看了一眼漆黑如墨的夜空，那里依旧是那么幽深，仿佛永远都看不到尽头，同时，他的身体深处，再次涌现出一股无力感。
什么时候，人类才可以将这星辰大海，彻底研究明白？
他顿时想起了一句电影里的台词：“成人的世界里，总是这么艰难吗？——是的，一直都是！”
不知何时，黄院士也走了出来，站在了他的身旁，笑着问道：“和大家一起研究了这么久，折腾出了这么厉害的东西，你似乎一点都不兴奋？”
“在想出解决思路的那一瞬间，我就提前兴奋过了，后面的这些，不过是为了验证前面的猜想而已。”林东升淡淡地说道。
“但是，你作为数学方面的天才，应该也明白，解题答案虽然很重要，但推导过程也同等重要！”黄院士语重心长地说道。
林东升点了点头，所以，他能理解大家的激动和兴奋。
“你可能还不明白高精度模拟矩阵计算芯片研发的重大意义，那我简单和你说一下吧，它证明了一条绕过内存墙和冯*诺依曼瓶颈的有效路径，为后摩尔时代的计算架构，提借口了中国方案，同时，它极高的能效比，使得在手机、传感器、物联网设备等电池供电的边缘端，直接运行复杂AI模型成为了一种可能，实现了真正的端侧智能……”
“如果未来能构建起基于该原理的大规模集群，将有望极大地降低AI数据中心的运营成本和碳排放，它相当于是一次从物理原理层面出发的、颠覆性的换道超车尝试，不仅展示了中国在AI基础硬件领域的顶级创新能力，更为全球AI算力瓶颈的解决，提供了一个充满希望的中国答案。”黄院士又补充道。
这章没有结束，请点击下一页继续阅读！