⚡ electrical engineering

Continuous-time nonlinear closed-loop in-memory computing for high-accuracy massive MIMO detection

本文提出了一种连续时间非线性闭环存内计算架构，该架构将大规模多输入多输出（massive MIMO）解码直接嵌入到存储阵列与运算放大器的物理动力学中，通过模拟物理优化与混合精度迭代细化，实现了对复杂调制格式的高精度检测。

原作者： Piergiulio Mannocci, Giacomo Pedretti, Fabian Böhm, Thomas Van Vaerenbergh

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Piergiulio Mannocci, Giacomo Pedretti, Fabian Böhm, Thomas Van Vaerenbergh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：用物理学解决巨大的拼图难题

想象一下，你正在尝试解决一个极其复杂、庞大的拼图，其中数百块碎片都混杂在一起，而你需要弄清楚每一块确切的位置。在无线网络（特别是 5G 和未来网络中使用的“大规模 MIMO”系统）的世界里，每当你的手机连接到基站时，发生的情况正是如此。基站同时发出许多信号，这些信号在空气和噪声的作用下变得混乱交织。计算机必须将它们“解开”，才能读取你的信息。

在标准计算机上进行这项工作，就像是试图通过一次移动一块碎片、检查是否匹配、移回原位、再试一次的方法来解决拼图。这需要消耗大量的能量和时间。

这篇论文介绍了一种解决这个拼图的新方法。作者并没有使用通过逐步计算的数字计算机，而是制造了一台特殊的机器，它直接利用物理学本身来进行数学运算。他们创建了一个电路，该电路能够自然地“流向”正确答案，就像水流向低处寻找山谷中的最低点一样。

问题所在：标准计算机处理不了过多的数学运算

目前的无线系统正变得越来越聪明，使用更多的天线来同时与更多人通信。但这带来了一个标准芯片难以承受的数学难题。

数字计算机： 它们就像一位非常快速的会计师，一次只能加一个数字。它们很精确，但当数字变得巨大时，会感到“疲劳”（消耗大量能量）。
旧式的“存内计算”计算机： 此前为了加速这一过程，人们使用了名为“存内计算”（IMC）的方法。你可以把它想象成一个通过点亮一格格灯光来一次性完成所有计算的计算器。然而，这些旧式计算器只擅长处理直线（线性数学）。但混乱的无线信号却是弯曲且扭曲的（非线性）。为了解决这些问题，旧式计算器必须采取许多微小且缓慢的步骤，这反而抵消了追求速度的初衷。

解决方案：一个“自我修正”的电路

作者构建了一种被称为**连续时间非线性闭环存内计算（Continuous-Time Nonlinear Closed-Loop IMC）**的新型机器。让我们用一个类比来拆解这个概念：

想象一颗大理石在凹凸不平的曲面上滚动。

表面： 表面的形状代表了数学问题（即混乱的信号）。
目标： 山谷中的最低点就是正确答案。
旧方法： 数字计算机会计算斜率，走一小步，再计算新的斜率，再走一小步，以此类推。
新方法： 这个新电路就像是大理石本身。你只需要放下大理石（信号），物理定律就会让它顺着山坡滚下去。它不需要被告知该往哪里走；地形的形状（电路的设计）会自然地引导它到达谷底。

该机器的关键特性：

它是“闭环”的： 这台机器会进行自我反馈。输出端会反馈到输入端，形成一个循环，帮助大理石更快、更准确地找到谷底。
它是“非线性”的： 表面不仅仅是一个光滑的滑梯，它还有墙壁和障碍物（就像一个盒子）。电路的设计确保了大理石不会滚出边缘；它会保持在有效答案的“盒子”范围内。这对于高质量的互联网信号至关重要。
它是“连续时间”的： 大理石不会停停走走。它流动得非常平滑。这意味着解决方案几乎是瞬间出现的，其速度仅受限于电力的移动速度，而不是处理器计数的速度。

难点：大理石有点“摇晃”

使用物理机器进行数学运算存在一个问题：它们并不完美。现实世界的组件（比如“大理石”和“山坡”）存在微小的缺陷。在论文的实验中，该电路使用的是精度约为 5 位（类似于只有几个刻度的尺子）的存储芯片构建的。因此，这颗“大理石”可能会滚到一个接近谷底的地方，但不是恰好在谷底。

如果你只使用这台机器，互联网连接可能会有些模糊，尤其是对于非常高质量的信号（例如承载大量数据的 256-QAM）。

解决方法：“精修”团队

为了在不制造完美（且昂贵）机器的情况下解决这些缺陷，作者增加了一个混合系统。

可以这样理解：

快速草稿： 物理电路（大理石）首先承担重体力活。它能非常快速且廉价地找到答案，但略有偏差。
缓慢精修的编辑： 一个小型标准数字计算机会对这份草稿进行检查。它会计算出答案到底偏离了多少（即“残差”）。
修正： 数字计算机会告诉物理电路：“你刚才偏离了这么多。请再次尝试，但请从这个新的位置开始。”

他们会重复这个过程。物理电路负责快速、粗略的工作，而数字计算机负责精确的清理工作。

结果是：

速度： 它仍然极其快速，因为物理电路完成了最困难的部分。
准确度： 它变得像完美的数字计算机一样精确。
能耗： 它使用的能量极少，因为数字计算机只做极少量的辅助工作（仅进行清理）。

他们实际证明了什么

作者不仅提出了理论，还制造了一个原型芯片并进行了测试。

他们模拟了一个拥有 16 到 64 根天线的系统（一种“大规模 MIMO”系统）。
他们展示了电路如何自然地向正确答案滚动，从而使“能量函数”（类似于大理石寻找山谷的过程）最小化。
他们证明了即使使用“摇晃”的硬件（低精度），通过添加“精修”步骤，也能高精度地解码非常复杂的信号（256-QAM）。
他们展示了随着系统规模的扩大，这种方法比目前的数字方法更加节能。

总结

这篇论文提出了一种通过将数学问题转化为物理运动问题来解码无线信号的新方法。它不再是逐步计算，而是让电路利用物理规律，像球在碗中滚动一样趋向于解。为了修复由不完美硬件引起的微小误差，他们引入了一个使用数字计算机进行的“检查”步骤。其结果是一个既快如闪电又高度精准的系统，预示着我们的无线网络未来将更快，且更省电。

技术摘要：用于高精度大规模 MIMO 检测的连续时间非线性闭环存内计算

问题陈述
现代信息处理系统面临着日益增长的计算需求，特别是在无线通信领域，大规模多输入多输出（Massive MIMO）检测需要解决高维逆问题。虽然模拟存内计算（IMC）已成为克服数字架构在能量和吞回率方面限制的一种极具前景的方法（通过将存储与计算位置共置），但现有的 IMC 系统主要局限于线性代数工作负载。这些系统通常将问题编码在物理系统的平衡态中，依赖于执行离散时间迭代算法（如 ADMM、投影梯度法）的开环或闭环架构。这种对离散时间步长和算法参数（步长、迭代次数）的依赖，限制了连续时间物理优化的潜力。此外，模拟硬件的有限精度往往限制了非线性求解器的精度，使其在面对高阶调制格式（如 256-QAM）时会出现显著的性能下降。

方法论
作者提出了一种连续时间非线性闭环 IMC 架构，旨在解决带框约束零迫检测（Box-Constrained Zero-Forcing, BCZF）解码问题，这是一种能够以多项式复杂度逼近最大似然（ML）精度的非线性优化问题。

连续时间物理优化： 与以往仅将动力学用于确定收敛时间的做法不同，该架构将优化问题直接编码在非线性反馈网络的连续时间动力学中。该电路由存储信道矩阵 $H$ 的电阻存储阵列和受电源限制的运算放大器（OpAmps）组成。信道矩阵被嵌入在反馈路径中，而运算放大器的饱和特性（在电源电压 $\pm V_s$ 处截断）自然地强制执行了 BCZF 所需的框约束。
能量最小化解释： 作者推导出了一个紧凑的解析模型，表明电路的轨迹对应于等效能量函数的最小化。电路的稳态解满足该能量函数的一阶最优性条件，从而通过物理弛豫而非顺序算术指令有效地执行 BCZF 解码。
混合模拟-数字迭代细化： 为了解决模拟存储和外围电路的有限精度问题，作者将混合精度迭代细化扩展到了非线性连续时间优化中。该框架利用低精度非线性物理求解器生成初始近似解，随后使用高精度（数字或高精度 IMC）残差计算引擎对该解进行逐步修正。一个局部约束强制模块确保修正后的估计值在细化过程中始终保持在星座图框内。

核心贡献

扩展闭环 IMC： 本研究将闭环 IMC 从基于平衡态的线性代数扩展到基于轨迹的非线性优化，通过将目标问题直接编码在物理系统的连续时间动力学中实现。
非线性 BCZF 实现： 作者展示了所提出的非线性反馈网络如何通过能量最小化自然地实现 BCZF 检测，消除了对显式时间离散化或迭代算法控制的需求。
实验验证： 通过制造的 90 nm IMC 芯片对计算动力学和能量最小化行为进行了实验验证。研究采用了离散时间仿真方法，将连续时间动力学映射到可用硬件上，证实了尽管存在硬件非理想性和有限存储精度，系统仍能重现预测的轨迹。
高精度混合架构： 引入的迭代细化框架能够从低精度物理计算中恢复高精度解，成功实现了对高阶调制格式（最高达 256-QAM）的可靠检测。

结果

收敛性与延迟： 仿真表明，连续时间求解器的收敛时间大约遵循 $T_{conv} \propto M\sqrt{N}$ （其中 $M$ 为 QAM 阶数， $N$ 为 MIMO 维度），这显著快于数字求解器的 $O(N^{2\sim3})$ 复杂度。收敛时间保持有界，且在很大程度上与系统规模和信道噪声无关。
检测精度： 非线性 BCZF 求解器在各种系统规模和调制深度下均一致优于线性 ZF 和 MMSE 检测器。其相对优势随系统规模的增大而增加。
精度影响： 虽然 BCZF 对信道量化比线性检测器更敏感，但混合迭代细化方法有效地缓解了这一问题。实验仿真显示，在经过五次细化迭代后，尽管使用具有 2% 变异性的 5 位模拟存储阵列，256-QAM 检测的误码率（BER）仍接近理想的高精度解码水平。
基准测试： 对 14 nm CMOS 实现的预测表明，在单次运行（one-shot）机制下，该架构比现有的低精度 IMC 和数字 ASIC 具有更高的能量效率。在高精度机制（BER < $10^{-3}$ ）下，混合架构相对于数字和混合替代方案具有竞争力的吞吐量和能量效率，其每比特能量显著低于全数字解决方案。

意义与主张
本文声称确立了连续时间非线性动力学作为一种新的计算原语。通过将范式从基于平衡态的线性代数转向基于轨迹的非线性优化，这项工作展示了高效物理加速器在高性能无线通信中的应用路径。作者指出，其结果统一了物理优化的效率与数字修正的精度，克服了传统模拟计算在精度方面的局限性。研究表明，这种连续时间物理优化可以扩展到除 MIMO 检测之外更广泛的约束优化任务，尽管目前的研究重点是特定的 BCZF 解码。作者指出，虽然底层原语已得到验证，但仍需要一个完全集成的专用集成电路（IC）来充分验证所预测的系统级指标。