SRAM/RRAM存内计算：模拟计算

可视化演示

展示RRAM交叉阵列模拟乘加电路（电压V→电导G→电流I=ΣG·V）、im2col卷积映射与脉冲编码算法、以及模拟vs数字计算在能效(10fJ vs 1000fJ/100x)、TOPS、精度(6bit vs 16bit)上的对比与三大工程挑战（失配/温漂/噪声）。

模拟计算概述

在水城，往农田送水有两种方式。第一种是拎水桶：每桶刚好一升，伙计们一桶一桶拎到田里，桶数清清楚楚，可速度慢、人累；第二种是架水管：拧开总阀门，水流源源不断、粗细随心，没人能精确说出“这一秒流过多少升”。老周过去一直用水桶，因为账房先生只认整数。可眼看水田越来越多，他不得不认真打量起那根令人生畏又令人心动的水管。

数字计算就是拎水桶：用 0 和 1 编码一切数值，一位一位搬、一位一位算。模拟计算则是水管：直接让电压、电流等连续物理量表达数值大小，运算就发生在物理规律里——两个电流在节点交汇处自然相加，不需要加法器；水闸开度乘以水流，乘积就体现在流量上，不需要乘法器。神经网络里最频繁的“权重乘输入再加和”，恰恰是物理世界最擅长的事。

以第 j 个输出神经元为例，它要算的是一次加权求和：

$$y_j = \displaystyle\sum_{i=1}^{n} W_{ji} x_i$$

1. 输出分量：等式左边 y_j 表示第 j 个神经元的输出，对应水城第 j 条干渠最终获得的水量。

$$y_j$$

2. 累加求和：符号 Σ 表示把 i 从 1 到 n 的所有项加在一起，对应各条支渠汇入干渠的水流之和。

$$\displaystyle\sum_{i=1}^{n}$$

3. 权重与输入：W_ji x_i 是第 i 路输入与权重的乘积，对应“第 i 条支渠的水速 × 水闸开度”。

$$W_{ji} x_i$$

数字水桶要雇无数伙计来回拎，模拟水管却让水自己流、自己在渠口相遇、自己相加。明白这一点，就抓住了模拟计算乃至存内计算的灵魂：让物理规律替我们算，而不是让电路模仿人类一步一步地算。

存内计算原理

老周发现，即便换了水管，配水手册还锁在中央档案室里。每次调配水量，伙计们先要去档案室抄录各田配比，送回调度室核算，再拿着命令去拧阀门。这一来一回，路上跑死马，账房算秃头。这正是计算机领域的“冯·诺依曼瓶颈”：数据在存储器和计算单元之间反复搬运，既耗能又耗时，速度被“跑腿”卡死。

存内计算（存算一体）的回答是：把配比直接刻在水闸上。每条支渠的水闸开度就是权重，水一开，乘累加自动完成，结果沿着干渠直接流向下游。存储单元本身变成了计算单元，“档案室”与“调度室”合二为一，数据再也不出远门。这既是存储与计算的物理融合，也是模拟计算最经典的舞台。

硬件上，最经典的实现是交叉阵列（crossbar）：横线是输入行，竖线是输出列，每个交叉点是一个存储器件（SRAM 单元或 RRAM 器件），其状态代表权重。输入电压沿行线送入，电流穿过器件后在列线汇流。依据基尔霍夫电流定律，列线上的电流恰好是所有行输入的加权和：

$$I_j = \displaystyle\sum_{i} G_{ij} V_i$$

1. 输出电流：I_j 是第 j 条列线上的总电流，即第 j 个输出的模拟量表达，对应第 j 条干渠的总水量。

$$I_j$$

2. 器件电导：G_ij 是交叉点器件的电导（电阻的倒数），对应水闸开度，用来存储权重。

$$G_{ij}$$

3. 输入电压：V_i 是第 i 行输入的电压，对应第 i 条支渠的水压。

$$V_i$$

4. 基尔霍夫汇流：求和表示所有行的电流在同一条列线上自然叠加，无需额外加法器。

$$\displaystyle\sum_{i} G_{ij} V_i$$

这样，一次矩阵向量乘法在一瞬间“流”完，效率堪比大水漫灌整片梯田。SRAM 与 RRAM 正是两种不同材料打造的“水闸”，接下来我们分别登门拜访。

SRAM计算单元

SRAM 水闸像精密旋钮阀门：用电压信号驱动，能高速开合，坏处是必须持续通电维持状态，一断电开度就丢了（易失性）。它的最小单元叫 6T 单元——六个晶体管组成一对互相咬合的反相器齿轮，牢牢记住 0 或 1。由于单单元只存一位，多位权重需要若干单元拼合，电流域、电荷域各有分工。

在 SRAM 存内计算里，权重通常以多位二进制形式存在多个单元中。电荷域像“预蓄水”：先把输入电压加载到位线上，让电荷按比例分配共享；电流域像“分流”：让位线放电，放电电流由存储值控制，各路电流在列线上叠加。两种方式都把“加法”交给物理汇流，“乘法”交给电荷或电流的比例关系。

电荷域的累加可用电荷守恒描述——多个电容上的电荷汇入一个总电容，输出电压是各支路电压的加权平均：

$$V_{out} = \frac{\displaystyle\sum_{i} C_i V_i}{C_{tot}}$$

1. 输出电压：V_out 表示累加电容上的最终电压，对应汇水池最终的水位读数。

$$V_{out}$$

2. 电荷加权：C_i V_i 是第 i 个单元贡献的电荷量，电荷好比“水分子总数”，电容好比“水桶容积”。

$$C_i V_i$$

3. 总电容归一：除以总电容 C_tot 相当于把多桶水倒进一个大池子后测量水位。

$$\frac{1}{C_{tot}}$$

SRAM 旋钮虽好，但断电就“失忆”，而且六个晶体管占面积大。于是人们开始寻找能“记住开度”的非易失阀门——RRAM 登场了。

RRAM计算单元

RRAM 水闸像一块“记忆合金”：大电流如洪峰冲过闸门，改变内部导电细丝的形状，冲得越狠开度越大；断电后开度依然保持（非易失）。要改配比就再冲一次。RRAM 两端的电阻可被编程为不同阻值，而电导值（电阻的倒数）正好对应权重——这是它与 SRAM 最本质的分工差异。

SRAM 存的是“0/1 挡位”，需多单元拼一个权重；RRAM 的模拟电导可以直接表达连续权重，一个器件就是一个权重，这让 RRAM 在单位面积密度上更有优势。当然，导电细丝每次冲刷的粗细总有随机起伏，多比特状态也不够稳定，像是被泥沙反复修改的闸门——这个缺点我们留到优化策略一节再治。

计算时，输入电压加载在器件两端，依据欧姆定律，流过器件的电流等于电导乘以电压：

$$I_i = G_i V_i$$

1. 单器件电流：I_i 是流过第 i 个 RRAM 器件的电流，代表这一路的加权结果。

$$I_i$$

2. 电导即权重：G_i 是器件当前的电导，由编程时导电细丝的粗细决定，对应闸门开度。

$$G_i$$

3. 电压即输入：V_i 是加在器件两端的输入电压，对应上游水压。

$$V_i$$

4. 欧姆定律：I = G·V 是欧姆定律的体现，电导是电阻的倒数，开度越大水流越畅。

$$G_i = \frac{1}{R_i}$$

RRAM 能“记住”开度，却记不太准，每一次冲刷都会留下随机的痕迹。好在后文的校准与冗余策略，能让这块“记性不好”的闸门将功补过。

信号转换环节

外界与水城打交道需要两道翻译：调度室的纸质命令（数字 0/1）要被翻译成水闸开度（模拟电压），这叫数模转换 DAC；测水员要把干渠水位读数登记成数字报表，这叫模数转换 ADC。没有这两道翻译，模拟水城就无法与外面的数字世界对接。每次模拟乘法运算前，数字输入经 DAC 变成电压；运算结束，列电流经 ADC 变回数字。

DAC 的位数决定输入细腻度：位数越多，电压分得越细，就像尺子刻线越多量得越准。ADC 的位数则决定输出读数精度。以 DAC 为例，N 位数字 D 被转换成满量程电压的对应分数：

$$V_{out} = V_{ref} \cdot \frac{D}{2^{N}}$$

1. 输出模拟电压：V_out 是 DAC 输出的电压，用来驱动后续的模拟计算阵列。

$$V_{out}$$

2. 满量程参考：V_ref 是参考电压，对应水表的满刻度，是转换的“标准尺”。

$$V_{ref}$$

3. 数字编码：D 是 N 位二进制数对应的整数值，范围从 0 到 2^N − 1。

$$D \in \{0, 1, \dots, 2^{N}-1\}$$

4. 分辨率分母：2^N 表示把满量程细分为 2^N 格，N 越大格子越细，量化误差越小。

$$2^{N}$$

翻译环节是模拟水城的“度量衡”，也是误差的重要来源：测水员尺子刻度有限，读出的水位总带舍入误差。这正是下一节要算的账。

性能特性分析

老周的实验田试运行一个月后，账房先生摆出三本账：能效、吞吐、精度。好消息是，送水再也不雇跑腿伙计，一次矩阵运算就是“大水漫灌”，能耗与延时大幅下降；坏消息是，测水员汇报的数字总与理论值差一点点。模拟存内计算的能效优势来自两点：消除数据搬运、物理并行。

传统数字方案做矩阵乘法，需要从内存反复搬数据、逐个乘加；模拟存内计算让乘累加在阵列里一次“流”完，能效可提升两到三个数量级，吞吐量同步大涨。代价是精度损失：权重量化、DAC/ADC 转换、器件噪声、工艺偏差都会引入偏差。相对误差是常用的度量：

$$E_{rel} = \frac{\lVert Wx - \hat{W}\hat{x} \rVert}{\lVert Wx \rVert}$$

1. 理想结果：Wx 是数学上精确的矩阵向量积，对应账房先生心算的标准答案。

$$Wx$$

2. 模拟结果：Ŵx̂ 是经过量化、转换、噪声后的实际结果，对应测水员的实测报表。

$$\hat{W}\hat{x}$$

3. 向量范数：‖·‖ 表示向量长度，把所有分量的误差“拧成一股绳”来度量。

$$\lVert \cdot \rVert$$

4. 相对误差：分子除以分母得到无量纲比值，让不同规模的问题可在同一把尺子上比较。

$$\frac{\lVert Wx - \hat{W}\hat{x} \rVert}{\lVert Wx \rVert}$$

精度损失虽是模拟计算的“阿喀琉斯之踵”，但水城自有对策：闸门老化就校准、怕读数不准就多装几根尺子、重要灌区就用粗细双管。这正是下一节要讲的优化策略。

优化策略方案

水闸用久了会泥沙淤积，开度偏了；测水员眼睛也会花。老周的经验浓缩成三个字：校、冗、混。校是定期校准每扇闸门，冗是对关键闸门做双备份取平均，混是重要农田用精细的细水管（高精度）、普通农田用粗水管（低精度）。对应到存内计算，就是校准补偿、冗余映射、混合精度三大法宝。

校准补偿：先测量每个器件的实际电导，建立一张“真实权重表”，再在软件里补偿偏差，相当于给每扇闸门记一张“偏了多少”的小抄。冗余映射：让多个 RRAM 器件共同表示一个权重，读取后取平均，抑制单器件的随机噪声。混合精度则按数据敏感性分配资源。

混合精度常见实现之一是“位切片”：把一个高精度权重拆成 B 张不同权重的位平面，分别做模拟计算后再按二进制权重合并：

$$W = \displaystyle\sum_{k=1}^{B} 2^{-k} W^{(k)}$$

1. 权重拆分：W 表示一个高精度权重，被拆分成 B 份（B 个位平面）。

$$W$$

2. 位平面权重：W^(k) 是第 k 个位平面上的权重，只含 0/1 或小幅值，对应一层薄水板。

$$W^{(k)}$$

3. 二进制加权：2^{-k} 是第 k 位的权值，k 越小权重越大，像水板层数越厚贡献越大。

$$2^{-k}$$

4. 加权求和：把所有位平面的贡献按权叠加，恢复出完整权重。

$$\displaystyle\sum_{k=1}^{B} 2^{-k} W^{(k)}$$

此外还有“算法协同设计”：训练阶段就引入低比特噪声，让模型变得“皮实”，推理时即使模拟计算有偏差也能正常工作。水城由此开出了既省水又保收成的双赢药方。

应用与展望

水城的经验很快传遍四方：偏远农场没有中央调度室，靠自给自足的闸门就地计算；大灌区要靠它省下海量跑腿成本。存内计算也找到了同样的舞台——凡是被矩阵乘累加主宰的地方，都有它大显身手的空间。

当前最成熟的应用是神经网络推理：卷积、全连接、注意力机制本质上都是矩阵运算，模拟存内计算的乘累加效率让它在低功耗边缘 AI 中大放异彩。面向未来，模拟的连续表达天然贴合量子态与神经形态计算的“模糊美学”——量子 AI 与未来计算都把连续物理量当作第一公民，存内计算的交叉阵列或许正是连接经典与量子的一座水桥。

从能效账本看，一个模拟存内计算系统的总能耗可以拆成三笔开销：

$$E_{total} = E_{MVM} + E_{DAC} + E_{ADC}$$

1. 总能耗：E_total 是整个模拟存内计算系统的总能耗，对应水城的总耗水量。

$$E_{total}$$

2. 乘累加能耗：E_MVM 是阵列中模拟乘累加消耗的能量，这是存内计算的“主业”，效率极高。

$$E_{MVM}$$

3. DAC 能耗：E_DAC 是数模转换开销，输入数据越多、位数越高越昂贵。

$$E_{DAC}$$

4. ADC 能耗：E_ADC 是模数转换开销，通常随精度位数增加而近似指数增长。

$$E_{ADC}$$

老周站在水城的最高处，看着细流汇入干渠、干渠奔向田野。他知道，真正的变革不是把水桶换成了水管，而是让水自己学会了算账——而这场灌溉革命，才刚刚开始。

AI 应用场景

Python 演示

import numpy as np  def quantize(x, levels):    """把连续值量化到 levels 个档位，模拟 RRAM 电导档位"""    x = np.clip(x, 0.0, 1.0)    idx = np.round(x * (levels - 1))    return idx / (levels - 1)  def write_read(weights, trials=1, noise_std=0.06):    """模拟 RRAM 写入噪声：多次写入读取，trials=1 为单次"""    noise = np.random.normal(1.0, noise_std, (trials,) + weights.shape)    reads = weights * noise    if trials == 1:        return reads[0]    return np.median(reads, axis=0)  def analog_mvm(weights, inputs, w_bits=4, adc_bits=6):    """模拟存内计算完整链路：权重量化 -> 电流累加 -> ADC 量化"""    w_q = quantize(weights, 2 ** w_bits)      # 权重映射为电导档位    x_q = quantize(inputs, 16)                # 输入 DAC 量化    out = w_q @ x_q                           # 交叉阵列电流汇流    v_max = max(float(np.max(out)), 1e-9)    step = v_max / (2 ** adc_bits)            # ADC 量化步长    out_adc = np.round(out / step) * step    return out_adc, w_q, out  def bit_sliced_mvm(weights, inputs, w_bits=4):    """位切片混合精度：把权重按二进制位拆成多张平面计算后合并"""    levels = 2 ** w_bits    w_idx = np.round(weights * (levels - 1)).astype(int)    total = np.zeros(weights.shape[0])    for k in range(w_bits):        plane = ((w_idx >> k) & 1).astype(float)        total += (2 ** k / (levels - 1)) * (plane @ inputs)    return total  def main():    np.random.seed(42)    W = np.random.rand(4, 4)                  # 理想权重矩阵    x = np.array([0.2, 0.5, 0.8, 0.3])        # 输入向量    ideal = W @ x    print("理想输出:", np.round(ideal, 4))     out_adc, w_q, _ = analog_mvm(W, x)    err_a = np.linalg.norm(out_adc - ideal) / np.linalg.norm(ideal)    print("模拟输出:", np.round(out_adc, 4))    print("完整模拟链路误差: %.2f%%" % (err_a * 100))     err_q = np.linalg.norm(w_q @ x - ideal) / np.linalg.norm(ideal)    print("仅权重量化误差: %.2f%%" % (err_q * 100))     single = write_read(w_q, trials=1)    calib = write_read(w_q, trials=8)    err_n = np.linalg.norm(single @ x - ideal) / np.linalg.norm(ideal)    err_c = np.linalg.norm(calib @ x - ideal) / np.linalg.norm(ideal)    print("单次读取误差: %.2f%%" % (err_n * 100))    print("中位数校准后误差: %.2f%%" % (err_c * 100))     bs = bit_sliced_mvm(w_q, x, w_bits=4)    err_b = np.linalg.norm(bs - ideal) / np.linalg.norm(ideal)    print("位切片重建误差: %.2f%%" % (err_b * 100))  if __name__ == "__main__":    main()

1. out = w_q @ x_q用矩阵乘法一次性模拟“交叉阵列电流汇流”，对应水渠交汇的自然相加。
2. step = v_max / (2 ** adc_bits)按满量程与 2 的 N 次方计算 ADC 量化步长，尺子刻线越细误差越小。
3. reads = weights * noise给每个电导乘一个随机扰动，模拟 RRAM 导电细丝写入的随机起伏。
4. np.median(reads, axis=0)对多次读取结果取中位数，正是“冗余映射 + 校准”抑制噪声的关键。
5. plane @ inputs每个位平面单独做一次矩阵乘，体现“位切片”把高精度运算拆成若干低精度通道。
6. total += (2 ** k / (levels - 1)) * ...按二进制权重把各平面结果合并，对应公式 W = Σ 2^{-k} W^{(k)}。

常见误区

面试题