模擬計算機是將數據表示為連續物理量（例如電壓、頻率或振動）的計算系統，比數字計算機更節能，數字計算機將數據表示為二進制狀態（即 0 和 1）。然而，升級模擬計算平臺通常很困難，因為它們的底層組件在更大的系統中的行為可能不同。

弗吉尼亞理工大學、橡樹嶺國家實驗室和德克薩斯大學達拉斯分校的研究人員開發了一種新的合成域方法，這是一種在單個設備中以不同頻率編碼信息的技術，無需添加更多物理組件即可升級模擬計算機。

他們提出的方法在發表在《自然電子學》上的一篇論文中進行了概述，用于開發一種基于鈮酸鋰集成非線性語音的緊湊且高效的模擬計算平臺。

“我看到了物理神經網絡 （PNN） 的優勢，在人工智能應用中，物理硬件的結構或行為實現神經網絡的功能的計算系統，”該論文的資深作者 Linbo Shao 告訴 Tech Xplore。

“我們一直在開發微波頻率聲學設備，這些設備可能有助于創建這些系統。在我們最近的論文中，我們引入了一種合成域計算方案，該方案依賴于鈮酸鋰平臺上的非線性聲波設備，其中非線性過程可以有效地執行數學運算，例如矩陣乘法。

Shao 和他的同事開發的合成頻域方法使他們能夠在單個模擬計算設備上編碼大量數據（例如 16x16 矩陣）。這可以防止在集成更多設備的模擬計算平臺中，由于設備間差異而出現的錯誤。

與用于升級模擬計算平臺的傳統方法相比，該團隊新推出的策略消除了集成更多物理組件的需要。

值得注意的是，使用他們的方法創建的第一個基于 PPN 的模擬計算系統被發現在需要將數據分為四個可能類別的任務中表現非常出色。

“我們使用單個或幾個聲波設備實現了神經網絡，”Shao 解釋道。“合成域方法可以應用于更多新興設備，即使處于早期研發階段只有少數設備可用。

“神經網絡和設備是共同設計的，將分類任務的準確率顯著提高到 98.2%。這表明了這種共同設計的重要性和效率。

Shao 和他的同事的這項工作可能很快就會為模擬計算架構的可靠升級開辟新的可能性，以運行機器學習算法，而不會影響其性能。

研究人員現在正在進一步改進他們的方法，以確保基于鈮酸鋰聲子設備的計算系統能夠解決更廣泛的復雜問題。

“我們將繼續擴大規模并提高設備平臺的性能，例如，適應更大的神經網絡模型，”Shao 補充道。