南京大学类脑智能科技研究中心的研究团队在模拟存内计算领域取得重大突破，研发出一款基于互补金属氧化物半导体（CMOS）工艺的高精度模拟存算一体芯片。该芯片通过创新性的计算权重实现方式，将传统依赖不稳定物理参数（如器件电阻）的模式，转变为利用器件几何尺寸比这一高度稳定的特性，成功突破了模拟计算精度的瓶颈。
研究团队提出的高精度模拟计算方案，核心在于将模拟信号的运算关系与器件物理尺寸直接关联。通过两级依赖尺寸比例的电流拷贝电路设计，结合存储单元和开关器件，构建了可编程的计算单元。该单元第一级几何比例由8位存储器控制，第二级为固定比例，为不同列上的第一级输出电流赋予对应的二进制权重。两级共同作用，实现输入电流与8比特权重的模拟乘法运算。通过阵列化排布这些计算单元，团队设计出了一款高精度电流域向量-矩阵乘法芯片。
测试数据显示，该芯片在并行向量矩阵乘法运算中表现出色，均方根误差仅为0.101%，刷新了模拟计算领域的精度纪录。相关成果已发表于国际学术期刊《科学・进展》。研究团队还提出了一种权值重映射方法，通过最大程度利用器件尺寸比例的稳定性，进一步提高了芯片的计算精度。在1500次随机向量-矩阵乘法实验中，芯片输出结果与理想值几乎完全一致，相对误差的均方根仅为0.101%。
这款芯片不仅在常温下表现优异，在极端环境下也展现出强大的鲁棒性。在-78.5℃和180℃的极端温度条件下，芯片的矩阵计算均方根误差分别维持在0.155%和0.130%的水平。在更宽温区（-173.15℃至286.85℃）的测试中，芯片核心单元输出电流相较于常温条件的最大偏差仅为1.47%。在强磁场环境（最高10T）下，芯片核心单元的输出电流相较于无磁场条件的变化不超过0.21%。这些测试结果充分证明了该芯片在极端环境下的可靠性。
在实际应用中，这款高精度模拟存算芯片也表现出色。研究团队测试了芯片在神经网络推理任务中的应用效果，利用该芯片执行神经网络中的全部卷积层和全连接层运算时，在MNIST测试集上的识别准确率达到97.97%，与64位浮点精度下的软件识别率相近，显著优于传统模拟计算硬件。在科学计算应用中，芯片求解纳维–斯托克斯方程得到的流体行为预测结果，与64位浮点精度的结果高度一致，而传统低精度模拟计算硬件在执行相同任务时则无法得到正确的结果。
该方案还具备广泛的应用潜力，可应用于各种二值存储介质。研究团队通过电路拓扑设计，结合存储单元和开关器件，构建了可编程的计算单元，实现了权重可编程的模拟乘法运算。这种设计不仅提高了计算精度，还增强了芯片的适应性和灵活性。随着技术的不断发展，这款高精度模拟存算芯片有望在更多领域发挥重要作用，推动模拟计算技术的进步。
