用双电容模拟电路替代数字乘法器实现神经网络乘加计算 — 一种低功耗AI芯片设计新思路

Feison

    随着大模型时代的到来，AI芯片面临前所未有的挑战：如何在有限的功耗下，完成大规模神经网络运算？尤其在机器人、智能驾驶、无人机、可穿戴设备等边缘侧部署场景中，传统基于数字乘法器的AI芯片已经难以满足需求。

    本文提出了一种全新的解决方案：基于FD-SOI工艺的双电容模拟电路结构，用于替代传统数字乘法器，在不牺牲精度的前提下，将能耗降低10倍以上，为下一代AI芯片提供了切实可行的设计路径。

---

一、为什么需要新的AI芯片架构？     当前主流AI芯片普遍依赖数字乘法器来执行“乘加运算”，即对输入数据与其对应的权重进行相乘后累加。这个过程虽然精度高，但存在以下几个严重问题：

• 功耗极高：乘法器本身是芯片中能耗最大的模块之一。
• 面积庞大：一个高性能乘法器可能占据数十个加法器的空间。
• 难以扩展：随着模型算力增加，散热问题变得越来越难以控制。
  

这使得现有架构在大模型边缘部署、电池供电设备、实时推理场景中表现不佳。

---

二、什么是“双电容模拟乘加电路”？我们提出的新架构采用了一种基于FD-SOI工艺的双电容模拟电路结构，其核心思想是：

利用电容的放电时间差，直接表示神经网络中的乘加结果。

基本电路单元如下：

网络整体示意:（3个神经元的网路示例，与图1略有不同）


工作流程如下：

• 预充电阶段：两个相同的电容C被同时充到电压A（各分正负）。
• 加权放电阶段：每个电容通过多个并联的电阻+开关组合做PWM放电，这些电阻和开关的PWM占空比代表了不同的输入值和权重值（根据正负号选择）。
• 统一检测放电阶段：两个电容再独立以标准电阻继续放电，直到电压降到B为止。
• 时间差提取：记录两个电容各自从A降到B所花的时间t1和t2，它们的差值Δt = t1 - t2就代表了最终的乘加结果。
  

AI问答整理后计算过程如下：    两个电容容量为c，都预充电到电压a,然后同时地，第一个电容同时以独立电阻R1 R2以及对应占空比Z1 Z2放电到地,第二个电容以R3 R4 Z3 Z4放电到地,经过一段时间T0之后,两个电容的电压均大于电压b，然后第二个流程，两个电容均独立地以电阻R0，放电到电容公共端/地，但是当电压等于b或者小于b的时候，放电中止，两个电容电路是独立的。那么第二个流程，各自电容的放电时间t1 t2各是多少？t1-t2又是多少？

如果电容的容量不同了，为c1和c2呢，答案又是什么？


Z1, Z2...代表神经网络输入值
1/R1, 1/R2...代表神经网络权重值

三、这项技术有多大的优势？    能耗方面有明显优势，仿真结果显示用成熟制程即可优于现有数字乘加计算，高达1-2个数量级。这对于部署大模型边缘推理、长时间运行的IoT设备、以及对散热要求严苛的终端产品来说，是一项极具吸引力的技术突破。


四、适合哪些实际应用场景？这项技术不仅适用于小型边缘设备，也具备良好的扩展性，非常适合以下高潜力AI应用场景：

视觉大模型本地化应用（重点！）近年来，视觉大模型（如Stable Diffusion、SAM、YOLOv8、MobileViT等）在图像生成、分割、识别等任务中表现出色。然而，这些模型若全部依赖云端处理，会带来以下问题：

• 隐私风险：摄像头采集的数据上传服务器，易造成用户隐私泄露；
• 延迟过高：实时视频流分析无法承受几十毫秒以上的响应延迟；
• 带宽瓶颈：高清图像或视频流传输占用大量通信资源；
• 成本高昂：视觉大模型参数量更大，云服务成本无法支持高频应用。
  

其他应用场景

• 机器人：自主导航、目标识别、动作规划、复杂视觉语音语言能力。
• 智能驾驶：实时图像识别、行人检测、车道线跟踪
• 无人机：视觉避障、自动追踪、飞行控制
• 可穿戴设备：语音识别、智能辅助
• 监控设备：智慧语音图像分析统计
  

六、结语：这项技术将带来什么？在AI芯片竞争日益激烈的今天，谁能率先实现高性能的本地化多模态大模型，谁就能掌握未来。这关乎我们国家民族的命运。
任何关注AI 发展的人，这项技术值得你重点关注。

(原文首发于eetop，但是没有回复，修改后再发。)