人工智能的快速发展带来了前所未有的计算需求,推动着全球数据中心的算力消耗不断攀升。据预测,到2026年,AI数据中心的电力消耗将占据美国电力总使用量的6%,这不仅带来了巨大的经济负担,也引发了全球绿色计算和可持续发展的紧迫需求。此外,摩尔定律的物理极限逐渐显现,传统数字计算芯片在晶体管尺寸缩小方面的进展正日趋缓慢,令基于经典CMOS技术的算力提升难以为继。在这一背景下,"计算危机"成为业界共识,寻找突破口已成当务之急。面对能源效率和计算能力的双重壁垒,学术界和产业界携手提出了革新的计算范式 - - 基于物理的专用集成电路,简称物理驱动ASICs。不同于传统数字芯片追求理想化的数字逻辑抽象,物理驱动ASICs摒弃了无状态、单向数据流和严苛同步等传统设计约束,转而直接利用硬件固有的物理动态过程完成计算任务。
这意味着计算过程与物理系统的自然演化高度融合,借助如电阻网络的能量最小化自然原理,能够瞬间获得优化问题的解。以电阻网络优化问题为例,当施加电压后,电流会根据基尔霍夫定律流动,系统自动达到电能耗散最小的平衡状态,这与数学上的优化问题等价,物理系统天然实现了计算过程,而非通过耗时迭代的数字算法。这种方法的关键优势在于,硬件本身即为计算实体,避免了传统数字计算中大量资源消耗在执行逻辑运算和管理复杂时序上的浪费。物理驱动ASICs在设计上强化了状态保持、双向信息流、非确定性及异步操作等特性,利用硬件的"杂乱无章"作为优势,而非常规的缺陷。状态保持使得计算单元不仅执行瞬时运算,还能携带历史信息,模糊了计算与存储的界限;双向信息流带来了反馈和复杂动态,有助于模拟和求解复杂系统;非确定性和噪声不再是误差,而是当作模拟概率意义的资源;异步操作降低了对全局同步时钟的依赖,减少了能耗和复杂度。与一般追求通用性的数字计算机不同,物理驱动ASICs定位为高效能的领域专用计算器,关注特定应用场景和算法,融合硬件与软件协同设计理念。
通过从顶层应用需求出发,与底层可能实现的物理结构目标结合,寻找性能优化的交集,以极大提升能效比和运算速度,突破计算瓶颈。论文中提出"物理机器学习"这一创新概念,将硬件参数本身视为学习变量,直接通过物理过程完成计算推断和参数调优,目标是打造高度集成且低功耗的物理学习机器,实现硬件层面的计算与赋能。物理驱动ASICs的应用前景广泛,涵盖优化问题、采样过程、扩散模型及复杂科学模拟等领域。例如,神经网络对噪声具备一定的容忍能力,适合在低精度的类模拟硬件环境下运行;扩散模型与非平衡热力学紧密相关,天然契合这种基于物理的算力平台;复杂优化问题如量子位二次无约束二进制优化(QUBO)可以利用物理系统追求低能态的特性高效求解。现已有相关研究表明,基于触发器的伊辛(Ising)机速度提升可达千倍,耦合振荡器系统能耗降低一到两个数量级,而光学神经网络的乘法实现甚至逼近单光子的能量极限,充分显示出技术的巨大潜能。同时,论文作者所在团队在"热力学计算"领域取得突破,如热力学自然梯度下降(TNGD)通过专用物理芯片使强大二阶优化算法得以实际应用,具体展现了硬件与算法协同设计理念的实际价值。
尽管机遇诱人,物理驱动ASICs的发展仍面临诸多挑战。首先,类模拟电路的工程复杂度显著高于数字电路,如何有效控制和调试硬件状态是关键难题;其次,硬件仿真与真实物理表现间存在"仿真到现实"差异,需要建立成熟的模拟工具;最后,构建完整的软件生态系统,包括编译器、库函数及与主流机器学习框架如PyTorch和JAX的高效集成,也是实现大规模应用的前提。为了推动这项技术的商业化,作者团队规划了分阶段的路线图。早期重点是验证物理ASIC在特定领域的性能优势,打造多个超越传统硬件的原型系统。中期则关注构建可扩展的硬件基底,解决I/O传输瓶颈,实现模块化和重构能力。长远目标是在混合计算环境中实现物理ASIC与数字通用芯片的无缝融合,打造支持丰富软件栈的开放平台。
作者呼吁学术界与产业界携手,联合攻关识别数字计算难以突破的问题,设计适配物理系统的新型算法,推动开放源代码软件及硬件仿真工具的开发,形成协同创新生态,推动物理驱动ASICs的普及与应用。总的来看,物理驱动ASICs不仅是一项技术创新,更代表了计算架构的范式转变。它从根本上挑战了计算与硬件的传统关系,揭示了"计算即物理过程"的新视角,突破了数字抽象的局限。在解决日益严重的计算危机的过程中,这一方向极有可能推动高性能计算进入节能、高效、普惠的新阶段。未来,随着技术成熟和生态完善,物理驱动ASICs有望成为支撑下一代人工智能与科学发现的中坚力量,开启新时代的算力革命。 。
