Dynamic analogue iterative computing with memristors for real-time robotic autonomy

技术摘要：基于忆阻器的动态模拟迭代计算用于实时机器人自主系统

问题陈述
自主移动机器人（AMR）系统需要实时估计、优化和控制，这些功能从根本上由动态矩阵方程（$A(t)x(t)=b(t)$）支撑。与静态 AI 工作负载不同，诸如同步定位与地图构建（SLAM）和路径规划等机器人任务涉及必须根据变化的传感器输入和环境条件进行频繁更新的系数矩阵。目前的数字冯·诺依曼架构面临“存储墙”瓶颈，即在独立的存储单元与处理单元之间移动数据会在迭代求解过程中产生显著的延迟和能量开销。虽然基于忆阻器的模拟存内计算（ACIM）为高效执行矩阵-向量乘法（MVM）提供了一条充满前景的路径，但其在动态工作负载中的应用受到两个主要挑战的制约：

1. 矩阵更新的高开销： 精确编程忆阻器电导通常需要迭代的“写入-验证”（WVP）过程，以补偿器件的随机性和变异性。在动态场景下，这些频繁更新带来的能量和延迟成本可能会抵消模拟加速带来的计算效益。
2. 动态求解中的精度问题： 现有的混合模拟-数字求解器由于重复的模数（AD）和数模（DA）转换，面临数据传输开销问题。相反，全模拟求解器对器件偏差和电路缺陷较为敏感，如果不解决针对频繁变化矩阵的具体需求，实现高精度求解将非常困难。

方法论
作者提出了一种旨在高效准确求解动态矩阵方程的基于忆阻器的模拟迭代计算（mAIC）系统。该系统集成了两项核心创新：

1. 模拟补偿预测单步编程（AC-PoP）：

   • 为了解决更新瓶颈，作者开发了一种方案，用单个预测脉冲结合模拟补偿来取代迭代式的 WVP。
   • 利用预先表征的忆阻器宏观响应预测模型（$\Delta g = f(V)$），系统计算出一个单一的编程脉冲，驱动器件趋向目标电导状态。
   • 由于预测编程不可避免地会因器件间（D2D）和循环间（C2C）的变异而留下残余误差，该方案采用了一种分阶段补偿机制。残余误差被传递到后续的宏观（或循环）中进行修正，从而在无需迭代验证延迟的情况下实现精确的矩阵更新。
   • 有符号矩阵更新通过差分编码方案（$G_N = G_+ - G_-$）处理，其中更新被分类为仅幅度变化或符号反转，以优化置位/复位操作。

2. 连续时间模拟反馈求解器：

   • mAIC 系统实现了一种全模拟迭代架构，直接在模拟域内求解矩阵方程。
   • 矩阵方程被转换为迭代形式（$x_{i+1} = Bx_i + f$）。迭代矩阵 $B$ 通过由跨阻放大器（TIA）缩放的多个电导矩阵来实现。
   • 该系统运行为一个闭环反馈电路，其中 MVM 的输出与向量项 $f$ 相加，并反馈回下一轮迭代的输入。这实现了连续时间的收敛，而无需重复进行 AD/DA 转换。
   • 硬件平台利用了 foundry 制造的 1-Kb 1T1R（一晶体管一电阻）TaOx 忆阻器宏观，并集成了包括微控制器、传输门和模拟加法器在内的 CMOS 电路。

核心贡献

• AC-PoP 方案： 一种新型编程策略，能够在存在缺陷的忆阻器器件上实现精确、低延迟且能效高的动态矩阵更新，减少了对迭代式“写入-验证”周期的需求。
• 集成 mAIC 系统： 一个结合了 AC-PoP 与连续时间模拟求解器的硬件演示，在动态工作负载下实现了与软件相当的精度。
• 可扩展性分析： 对大规模稀疏矩阵方程的块状映射策略进行了评估，展示了该系统如何在处理大规模 SLAM 问题时减轻电路非理想性（如 IR 压降）的影响。

结果
系统使用 foundry 制造的忆阻器宏观在模拟及真实世界的机器人任务中进行了验证：

• 更新效率： 与传统的 WVP 相比，AC-PoP 方案在保持相当更新精度的同时，将矩阵更新能量降低了 101 倍，延迟降低了 345 倍。
• SLAM 后端优化： 在基于 KITTI 数据集的 SLAM 定位任务中，mAIC 系统实现了 0.09% 的相对电导映射误差（在 3 次补偿循环下）以及 $4.57 \times 10^{-4}$ 的平均解误差。重建轨迹的平移误差为 0.49%，与基于 CPU 的直接求解器的 0.39% 误差相当。
• 真实世界路径规划： 在涉及变化环境中动态重规划的物理移动机器人实验中，与 NVIDIA Jetson 平台相比，mAIC 系统实现了 4.4 倍的处理器延迟降低 和 627.9 倍的能耗降低。在 40 步重规划过程中，系统保持了约 $1.85 \times 10^{-3}$ 的平均绝对解误差。
• 可扩展性： 使用行块映射策略进行大规模 SLAM 任务的 SPICE 仿真表明，即使随着矩阵规模的增加，系统也能在每次求解内 19.8 μs 内收敛，且相对于数字参考值的精度损失极小。

意义与主张
本文声称，这项工作推动了忆阻器计算从主要针对静态矩阵加速的范式向精确且动态可重构的模拟计算迈进。通过 AC-PoP 方案解决频繁矩阵更新的关键瓶颈，作者证明了基于忆阻器的 ACIM 可以支持具有优于最先进数字边缘处理器能效和延迟特性的实时机器人自主功能。

作者将这种能力定位为未来边缘智能的基础，指出高效的忆阻硬件动态更新可以实现针对物理环境的在线自适应、原位学习以及持续的模型演进。这项工作并不声称解决了所有忆阻器计算的挑战，而是专门针对从静态到动态工作负载的转变，为复杂 AMR 应用提供了实现全集成 mAIC 芯片的可行路径。