亚微瓦级推理芯片——用模拟电路跑循环神经网络

"一直开机的 AI"应用——环境传感器、生物医学植入物——需要极低的功耗。数字芯片降到一定程度就下不去了，模拟电路能做到亚微瓦级推理，但一直有个障碍：模拟信号通过时间反馈环路时会积累噪声，所以模拟实现的神经网络只能做前馈，做不了循环。

Fyon 等六人（2605.15216）发现了一个突破口：一类叫 BMRU（双稳态记忆循环单元）的 RNN，输出是离散的，内部具有迟滞动力学性质。离散输出在每个单元边界处把模拟噪声压制了至少 20 倍，打断了噪声在时间反馈中的累积。

他们从第一原理设计了电流模式的模拟实现，每个学习参数对应一个电路元件。在 180nm CMOS 工艺上的晶体管级仿真显示，软件预测和电路行为几乎完全一致。

关键词识别做到了 RNN 核心亚微瓦级推理。

不太清楚的地方：180nm 是老工艺节点，在更先进的节点（28nm 或 7nm）上模拟电路的噪声特性和泄漏电流会如何变化？论文说"可扩展"，但没有给出跨工艺节点的验证。另外，BMRU 在当前深度学习中的任务覆盖率——它适用于哪些类型的序列任务？离散输出的表达能力是否能匹配 LSTM 或 Transformer？

参考文献

1. Fyon, A., et al. (2026). Hardware-Software Co-Design of Scalable, Energy-Efficient Analog Recurrent Computations. arXiv:2605.15216 [cs.AR].

2. Jakesch, A., et al. (2024). Bistable Memory Recurrent Units. NeurIPS 2024.

3. Mead, C. (1990). Neuromorphic Electronic Systems. Proceedings of the IEEE, 78(10), 1629-1636.

4. Verhoef, B., et al. (2023). Sub-microwatt Keyword Spotting with Analog Circuits.