探索模拟人工智能：突破数字界限

当前AI领域正涌现出一批令人振奋的创新，其中一项备受关注的趋势是转向模拟电路以实现更高效的人工智能计算。这一转变旨在利用非数字设备来执行基础的乘法累加（MAC）操作，以此达到在能量消耗方面远低于传统数字组件的效果。模拟人工智能、内存计算以及内存处理等策略通常借助于非易失性存储设备（如闪存、磁阻RAM（MRAM）、电阻RAM（RRAM）、相变RAM（PCM）以及其他先进技术）来执行MAC操作。

韩国团队的E-CRAM神经网络探索

韩国的一个研究团队正致力于基于镨钙锰氧化物电化学RAM（ECRAM）设备构建神经网络。ECRAM设备以微型电池形式运作，其电导变化作为数据存储手段。研究的主要作者Chuljun Lee指出，神经网络硬件在训练和应用阶段有着不同的需求。例如，低能量壁垒有助于神经网络迅速学习，而高能量壁垒则有利于保存学到的知识，使其在实际应用中得以使用。

E-CRAM设备的加热与冷却策略

电气工程师John Paul Strachan解释称，在加热至接近100摄氏度的温度下，ECRAM设备展现出有利于训练的特性。随着温度的冷却，设备能够获得较长的保留时间和较低的运行电流优势。通过调节单一参数—热能—研究者便能在计算的不同维度上观察到显著的改进效果。

铁电场效应晶体管（FEFET）的挑战与解决方案

另一组研究者专注于铁电场效应晶体管（FEFET），它们在每个晶体管内部以电极化的形式存储数据。FEFET面临的关键挑战在于，随着尺寸的缩小，它们能否继续展现对AI应用有价值的模拟行为，或是转变为仅存储一位信息的二进制模式。

Strachan指出，参与这项研究的团队对所涉材料有着深刻的理解。他们采用多个介电层物理分解铁电超晶格结构的方法，以减少失控过程，即所有域缓慢响应施加电场而一致对齐，而非同时上升或下降。这一创新使得FEFET在在线学习准确性方面取得了显著进展。

日本与台湾的结晶铟镓锌氧化物芯片

日本和台湾的科学家采用排列在c轴上的结晶铟镓锌氧化物制成新型微芯片。他们的氧化物半导体场效应晶体管（OSFET）表现出低于1纳安的超低电流操作和每瓦每秒高达143.9万亿次操作的高效能。这一成果在IEDM会议上被详细介绍，代表了模拟AI芯片领域的最佳表现。

Strachan强调，这些设备的极低电流特性允许构建更大的电路块，从而获得更大的优势。当与电容器结合时，OSFET能够在30小时内以超过90%的准确率保留信息。这为信息转移至波动较小的技术提供了可能，几十小时的保留时间对商业化进程而言并非重大障碍。

结论：未来的挑战与机遇

整体而言，研究人员正在探索的这些新技术不仅验证了其潜在价值，同时也提出了未来可能面临的挑战。这些创新为通往大规模生产、低成本商业产品的道路开辟了可能性，为AI领域带来了全新的机遇。