模拟计算平台使用合成频域来提高可扩展性

模拟计算机是将数据表示为连续物理量（例如电压、频率或振动）的计算系统，比数字计算机更节能，数字计算机将数据表示为二进制状态（即 0 和 1）。然而，升级模拟计算平台通常很困难，因为它们的底层组件在更大的系统中的行为可能不同。

弗吉尼亚理工大学、橡树岭国家实验室和德克萨斯大学达拉斯分校的研究人员开发了一种新的合成域方法，这是一种在单个设备中以不同频率编码信息的技术，无需添加更多物理组件即可升级模拟计算机。

他们提出的方法在发表在《自然电子学》上的一篇论文中进行了概述，用于开发一种基于铌酸锂集成非线性语音的紧凑且高效的模拟计算平台。

“我看到了物理神经网络 （PNN） 的优势，在人工智能应用中，物理硬件的结构或行为实现神经网络的功能的计算系统，”该论文的资深作者 Linbo Shao 告诉 Tech Xplore。

“我们一直在开发微波频率声学设备，这些设备可能有助于创建这些系统。在我们最近的论文中，我们引入了一种合成域计算方案，该方案依赖于铌酸锂平台上的非线性声波设备，其中非线性过程可以有效地执行数学运算，例如矩阵乘法。

Shao 和他的同事开发的合成频域方法使他们能够在单个模拟计算设备上编码大量数据（例如 16x16 矩阵）。这可以防止在集成更多设备的模拟计算平台中，由于设备间差异而出现的错误。

与用于升级模拟计算平台的传统方法相比，该团队新推出的策略消除了集成更多物理组件的需要。

值得注意的是，使用他们的方法创建的第一个基于 PPN 的模拟计算系统被发现在需要将数据分为四个可能类别的任务中表现非常出色。

“我们使用单个或几个声波设备实现了神经网络，”Shao 解释道。“合成域方法可以应用于更多新兴设备，即使处于早期研发阶段只有少数设备可用。

“神经网络和设备是共同设计的，将分类任务的准确率显着提高到 98.2%。这表明了这种共同设计的重要性和效率。

Shao 和他的同事的这项工作可能很快就会为模拟计算架构的可靠升级开辟新的可能性，以运行机器学习算法，而不会影响其性能。

研究人员现在正在进一步改进他们的方法，以确保基于铌酸锂声子设备的计算系统能够解决更广泛的复杂问题。

“我们将继续扩大规模并提高设备平台的性能，例如，适应更大的神经网络模型，”Shao 补充道。