来源：内容由半导体行业观察（ID：icbank）编译自semiengineering，谢谢。
这个行业已经到了一个拐点，模拟技术得到了全新的面貌，但数字技术不会轻易退让。
我们生活在一个由数字处理主导的模拟世界，但这可能会改变。领域的特殊性，以及对更高层次优化的渴望，可能会为模拟计算提供一些显著的优势——以及卷土重来的可能性。
在过去的四十年里，数字缩放和灵活性的优势已经把模拟和数字之间的分界线推向了边缘。如今，这些转换通常是在传感器和执行器附近完成的。通信一直是一个难题，因为无论是有线还是无线信道，都不默认数字化的要求。
1960年代的 Heathkit 模拟计算机
但有几个重要的变化即将到来，包括:
-
从经济意义上说，芯片扩展正在放缓或停止，这意味着未来从数字扩展中获得的收益不再得到保证。这是领域特定体系结构的主要驱动因素之一。
-
领域特异性意味着灵活性的价值降低，这在过去对模拟是不利的。
-
刻线限制意味着许多系统将变成多模，而每个模不必在同一技术节点上实现。这可能使更旧、更便宜的节点可以用于模拟。
-
人工智能推理严重依赖于乘/积运算，这在模拟中是非常高效的。
-
近似计算可能会变得更加普遍。
-
延迟正在成为一个更重要的性能需求。
“世界是模拟的，所以电路将是模拟的，” Fraunhofer IIS自适应系统部工程高级混合信号自动化组经理 Benjamin Prautsch 说。“有一些类别的IP从数字辅助和完全数字替代中获益显著。然而，由于模拟和数字之间的转换产生了限制，因此需要在系统级别上研究这种好处。一个聪明的模拟电路可能会超越使用数字辅助的媒体电路，但有许多因素和性能衡量会发挥作用。”
除了传感器和执行器，无线通信也变得越来越重要。Ansys产品营销总监马克•斯威南(Marc Swinnen)表示:“过去，所有东西都是用网线连接的。”“如今，每一件物联网设备都需要无线连接。他们正在使用无线电通信，这创造了越来越多的模拟和射频内容。此外，当你观察数字信号频率时，它们一直在攀升。5GHz是一个神奇的数字，在这个数字中，电感成为一个重要的参与者，即使在芯片级也是如此。然后，必须考虑电磁效应。如果你想正确地分析它们，这些数字信号看起来非常像模拟信号。当你看到2.5D和3D结构时，这是一个更大的问题，就芯片而言，你有非常高速的导线，可以移动很长的距离。”
工艺的进步每增加一个新的节点，数字电路的性能特性就会得到改善。面积下降，性能上升，功率下降，电容下降。然而，这对于模拟就不成立了。每一个新的节点通常都与电压降低有关，这损害了模拟，因为它降低了噪声容限。变化对模拟电路的影响要比数字电路大得多。FinFET为模拟产生了限制。这样的例子不胜枚举。
这导致模拟不得不做出妥协。西门子EDA产品经理Sumit Vishwakarma表示:“如果你在单个模具上制造所有东西，比如12纳米，那么模拟就需要移动到相同的工艺节点。”“你被迫失去模拟性能。由于模拟性能在低技术节点上开始恶化，它需要帮助。这就是为什么我们会看到数字辅助模拟设计的涌入。”
当模拟电路和数字电路解耦，并采用适当的技术时，模拟电路就不会受损。Semtech信号完整性解决方案集团营销和应用副总裁Tim Vang说:“我们可以设计出在某些情况下与数字电路具有相同甚至更好的功能的模拟电路，我们也可以在较老的节点上做到这一点。”“成本可以更低，因为我们不需要所有的数字功能，所以模具尺寸可以更小。我们可以降低能耗，因为我们没有那么多的功能。”
模拟还可以利用更多的制造技术。Vang补充说:“从任何流程节点中获得的东西都是有限的，即使是在模拟中。”“如果你想使用CMOS，我们甚至可以在65纳米技术中做事情。我们也使用其他工艺，如BiCMOS，或硅锗。它们甚至可以更适合与光学元件连接。光学通常喜欢将信号表示为电流，而不是电压，而双极非常擅长驱动这些电流。”
随着小芯片获得越来越多的关注，做出这些技术决策增加了更多的灵活性。Mythic公司产品和业务开发高级副总裁蒂姆•韦林(Tim Vehling)表示:“一种小芯片的方法，或者一种异构的方法来整合逻辑或能力，都很有意义。”理论上，模拟计算部分可以保持在40nm或28nm。然后你可以把它和一个有处理器，内存和I/O的数字芯片相匹配，它可能是10nm。它们可以集成到单个包或单个堆叠架构中。随着芯片的出现，模拟技术的寿命更长了。”
这也为光学创造了优势。Vang说:“在IEEE和其他标准组织中，他们使用像共封装光学或板载光学这样的词，这一切都是为了使光互连更接近开关和CPU。”“这主要是为了节省驱动整个板到位于底盘前端的光学元件的电力。这些是现在使用的可插拔模块。高速运行时的能量消耗已经足够了，他们一直在推动将模拟光学装置与电路板上的数字开关越来越近。我们认为这是一个巨大的机会，它们将有效地像世界上的光学I/O芯片一样工作。”
延迟是一种性能指标，它给数字游戏带来了困难。“我们的模拟引擎运行速度只是数字引擎的一小部分，”Vehling说。“我们在兆赫范围内运行，而不是千兆赫范围。由于数据移动，数字架构与延迟作斗争。对于模拟解决方案，权重是固定的，计算在元素本身内部。从延迟的角度来看，即使在兆赫范围内，我们也比数字架构更快。”
这对通信系统有很大的好处。“信号基本上有通过芯片的飞行时间，”Vang说。“没有A-D的转换、数字处理，然后在另一端从D-to-A。解决方案基本上是零延迟，或者接近零延迟。如果您讨论的是从纽约到洛杉矶的互连，延迟不是那么重要，但如果您试图在数据中心内移动几米，延迟的节省是显著的。对于超级计算机用户来说，模拟有一些独特的优势:成本、功率和延迟。”
来自AI不断变化的需求数字世界是非常精确、可预测和确定性的。这些要求与模拟相抵触，但这种情况正在改变。“人工智能的准确性取决于模型，”Vehling说。“根据他们选择的模型，准确度会发生变化。如果你选择大一点的模型，它会有更好的精度。较小的模型精度较低。如果你选择不同的精度，你会得到不同的精度。如果您选择不同的分辨率，您的精度将会改变。如果你有一个不同的数据集或者它被训练成不同的，你的准确性将会改变。我们看到有人会修剪模型，因为他们想让它更适合。如果你修剪它，会降低准确性。在数字系统中，一个给定应用程序的模型的精度可能会有很多变化——可能不像在模拟系统中那样变化，但今天肯定会有变化。在任何情况下，人工智能模型的准确性都有很大的变化，更不用说数字和模拟了。”
任何人工智能系统的核心都是乘法/累积函数(见图2)。西门子的Vishwakarma说:“执行这些MAC操作所消耗的能量是巨大的。”“部分原因是神经网络有权重，而这些权重需要存储在内存中。他们必须不断地访问内存，这是一个非常消耗能量的任务。如果你比较计算和数据传输的能力，它几乎是前者的1/10。为了解决这个问题，公司和大学研究人员正在研究模拟计算，将权重存储在闪存中。内存计算是一个常用的术语，权值存储在内存中。现在我只需要输入一些输入，然后得到一个输出，基本上就是这些权重与我的输入相乘。”
模拟电路实现 MAC 功能
还可以进行其他架构上的权衡。“你可以看到峰值神经网络被用于检测基于时间的变化，然后可以组合部署，”Vehling说。“你可能会看到一个尖刺神经网络部署在传感器级别，以检测变化或运动。一旦发生这种检测，您就转向更详细或更精确的模型来识别对象。因此，你已经开始看到将人工智能部署到该行业的分层方法。”
但也存在障碍。Movellus总裁兼首席执行官莫•费萨尔表示:“原则上，全模拟解决方案应该更节能。”“但在一个以数字为主的混合设计中，实现模拟效率的承诺并不容易。对于大多数公司来说，模拟是具有挑战性的，因为它不能在较小的几何尺寸上伸缩，并且在产量、性能和可伸缩性方面令人失望。然而，模拟技术仍在少数领域显示出前景和潜力。”
混合意味着转换器。Vishwakarma说:“当你想把模拟基础设施插入数字世界时，你需要转换器。”“输入端需要DAC，输出端需要ADC。这就是模拟如何融入数字世界的连接方式，因为我们只需要模拟来解决计算密集的MAC操作。但世界上的其他地方都是数字化的。”
这就是必须考虑系统级权衡的地方。Fraunhofer的Prautsch说:“一个优化的模拟核可以显著降低功耗和吞吐量，但它需要这些转换。”“转换是否会减少模拟替换的好处是一个系统级的决定，需要通过建模和概念优化来分析。”
数字世界中的模拟转换器的问题能被克服吗？Vehling说:“如果你能在模拟世界中实现数字工作，我们的效率将大大提高。”他说:“如果我们能真正拥有一个原生模拟处理器，而不是将原生模拟信号从传感器中提取出来，而不是转换，那将是理想的。这将大大提高电力效率、性能和延迟时间。”
不是每个人都相信这是正确的方向。“将与计算相关的功能转移到模拟领域绝对可以提供卓越的性能和能源效率，”Ambiq的首席技术官兼创始人斯科特·汉森(Scott Hanson)说。“几家创新的创业公司在这里展示了杰出的成果，并发展了专业知识。然而，模拟计算的固有挑战(例如，节点可伸缩性差，设计时间长，不同计算问题之间缺乏灵活性等)使得只有少数非常专业的专家能够在这个领域取得成功。”
相反，Hanson关注的是实现技术的持续改进，以及跨节点迁移设计是相当容易的事实。“还有其他互补的技术，比如亚阈值和近阈值计算。过程节点缩放与子阈值和近阈值计算的结合为令人兴奋的AI新功能提供了巨大的空间，所有这些都没有基于模拟计算的复杂性。简而言之，我们押注于数字计算。”
模拟训练模拟要想成为人工智能的主导引擎，它必须渗透到训练和推理中。“如果你能从你的激光雷达传感器、雷达和CMOS图像传感器获取原始信号，而不是将其转换为数字信号然后再返回，将原始输入输入到模拟阵列，那么收益将是巨大的，”Vehling说。“但你必须训练系统以模拟方式识别数据。这就是模拟计算机的未来，一个真正的模拟系统。与此同时，我们在融入数字架构方面也受到了一些限制。”
我们必须克服一些挑战。西门子的Vishwakarma说:“模拟信号的挑战之一是模拟信号的呈现方式没有限制。”“人工智能擅长识别模式，但我们不能只给它一个连续的信号。它需要被离散和量子化。为了训练模型，您需要迭代地更新权重，直到它确定为将用于推断的权重为止。然后我可以把权值保存在非易失性内存中。但是，我们不能改变模拟的权重值，闪存中的电阻的值。一旦你装上，它就在那里了。如果你需要改变权重，你就需要像DRAM一样的随机存取存储器，这就是我们的问题所在。”
结论有些事情模拟比数字做得更好，但最大的问题是如何集成它们，使它们在系统层面产生期望的增益。然而，由异构实现技术为每个子系统提供的潜在解耦可能使模拟计算更容易被考虑为越来越多的功能。这样他们就能以更低的成本提供卓越的性能。
如果模拟计算真的变得更加普遍，新的存储技术很可能会被研究和开发，这将使模拟AI成为可能。它可以提供数量级的增益。或者用马克·吐温的话来说，“模拟技术的消亡被大大夸大了。”
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第3067内容，欢迎关注。
晶圆｜集成电路｜设备｜汽车芯片｜存储｜台积电｜AI｜封装
