全模拟神经网络计算硬件

输入压缩低开销

用纯模拟电路完成神经网络所有计算，不再依赖模数转换，资源开销大幅降低。

史彩平 · 屈万园 · 林芃 · 程然 · Wu, Hanming · 陈冰

Science Advances 2025

参数信息

精度损失

0.36 %

技术优势

扔掉了模数转换器

全部计算在模拟域进行，输入数据压缩也在模拟域完成，无需在传感器和处理器之间加入ADC/DAC。

精度只降0.36%

在手写数字识别任务上，全模拟硬件相比软件基线仅损失0.36%的准确率，几乎不掉点。

能效超过现有AI芯片

与最先进的AI加速芯片和系统相比，FANCH在能效上具有优势，特别适合边缘计算场景。

应用场景

• 边缘计算芯片：在边缘设备上直接用模拟电路跑神经网络，省去ADC/DAC，降低功耗和面积。
• 神经网络加速器：作为神经网络加速器，全模拟实现可提升能效并减少外部接口开销。
• 可穿戴AI设备：低功耗特性使其适合可穿戴设备上的持续AI推理，延长电池寿命。
• 智能物联网节点：智能物联网节点可利用其低开销特性在本地完成推理，减少数据传输。
• 低功耗传感系统：直接处理模拟传感器信号，无需数字化，降低传感系统整体功耗。