Analoga datorer är system som utför beräkningar genom att manipulera fysiska storheter såsom elektrisk ström, som kartlägger matematiska variabler, istället för att representera information med hjälp av abstraktion med diskreta binära värden (dvs. 0 eller 1), som digitala datorer.
Även om analoga datorsystem kan fungera bra för allmänna uppgifter, är de kända för att vara känsliga för brus (dvs. bakgrunds- eller yttre störningar) och mindre precisa än digitala enheter.
Forskare vid Pekinguniversitetet och Beijing Advanced Innovation Center for Integrated Circuits har utvecklat en skalbar analog dator som kan lösa så kallade matrisekvationer med anmärkningsvärd precision. Detta nya system, som presenterades i en artikel publicerad i Nature Electronics, byggdes med hjälp av små icke-flyktiga minnesenheter som kallas resistiva random access memory (RRAM)-chips.
”Jag har arbetat med analog databehandling sedan 2017”, berättade Zhong Sun, biträdande professor vid Pekinguniversitetet och seniorförfattare till artikeln, för Tech Xplore.
”Vi kallar vår metod för modern analog databehandling, eftersom den fokuserar på att lösa matrisekvationer – snarare än differentialekvationer som i traditionell analog databehandling – med hjälp av icke-flyktiga resistiva minnesmatriser istället för konventionella CMOS-kretsar.”
Under det senaste decenniet har Sun och hans kollegor utvecklat ett brett spektrum av analoga datorsystem. De flesta av dessa system visade sig dock vara betydligt mindre precisa än digitala datorer när det gällde att utföra önskade operationer, vilket begränsade deras potential för praktiska tillämpningar.
”Omkring 2022 började vi ta itu med denna fråga direkt, med målet att uppnå högprecisionsanalog databehandling som är jämförbar med moderna digitala system”, säger Sun.
”I vår senaste artikel visar vi hur man löser matrisekvationer helt analogt med 24-bitars fastpunktspräcision (jämförbar med FP32) genom att kombinera en lågprecisionsmatrisinversionskrets (först utformad 2019) med högprecisionsmatris-vektormultiplikation med hjälp av bitslicing över flera resistiva minnesmatriser.”
Den nya analoga matrisekvationslösaren som teamet har introducerat bygger på en krets som utvecklades av Sun och andra forskare 2019, när han var postdoktorand vid Politecnico di Milano. Även om denna krets kan lösa matrisekvationer med en specifik form (Ax = b) i ett enda steg, visade den sig vara mindre precis än digitala system.
”Som en del av vår nya studie kombinerade vi denna lågprecisionslösare med högprecisionsmatris-vektormultiplikation med hjälp av en konventionell bitslicing-teknik, vilket möjliggjorde iterativ förfining av lösningen”, förklarade Sun.
”I varje iteration ger den lågprecisionsinverteringskretsen ett ungefärligt resultat, och högprecisionsoperationen förfinar det genom att ange korrigeringsriktning och storlek. Denna hybridmetod konvergerar snabbt – betydligt snabbare än konventionella gradientbaserade algoritmer.”
För att demonstrera skalbarheten hos sin analoga beräkningsmetod tillverkade forskarna en 8×8-matrisbaserad krets och testade dess förmåga att lösa olika matrisekvationer. De fann att kretsen kunde lösa 16×16 matrisekvationer och sedan successivt olika andra matrisekvationer (t.ex. 32×32).
Den matrisekvationslösare som de utvecklade kan förbättras ytterligare och kan inspirera till utvecklingen av andra precisa analoga beräkningssystem. I framtiden kan den visa sig användbar för att utveckla olika tekniker, från trådlös kommunikation till artificiell intelligens (AI).
”Det mest anmärkningsvärda bidraget är vår demonstration av att helt analog matrisberäkning kan uppnå hög precision som är jämförbar med flytande punkts digitala system, samtidigt som den också hanterar skalbarhet”, tillade Sun.
”Vårt nästa mål är att skala upp systemet genom att bygga större arraybaserade kretsar och integrera alla komponenter på chip, och inbädda både matrisinversion och matris-vektormultiplikationsfunktioner i en enda plattform på chipnivå.”
Mer information: Pushen Zuo et al, Precise and scalable analogue matrix equation solving using resistive random-access memory chips, Nature Electronics (2025). DOI: 10.1038/s41928-025-01477-0.
