面向钠电 AIDC 的忆阻器存算一体与能算协同优化

研究定位：面向钠离子电池参与供能的人工智能数据中心（AI Data Center，AIDC），研究忆阻器存算一体（Memristor-based Computing-in-Memory，CIM）与能源感知计算调度的联合建模方法，探索在相同能源预算、功率上限、任务质量和服务时延约束下，如何完成更多有效 AI 任务。

版本：v1.0
日期：2026 年 10 月 15 日

摘要

人工智能数据中心的能源消耗不仅与计算算术量有关，还受到存储访问、数据搬移、网络通信、电力转换及散热等系统环节影响。随着 AI 推理与训练负载增长，单纯增加传统数字处理器并不能保证单位能源预算下的有效服务能力同步提高。国际能源署对 AI 和数据中心能源需求的研究指出，能效与电力供给的协同优化已成为重要议题[1]。

本文提出一种“钠电储能—异构计算—忆阻存算—能源调度—服务质量评价”的系统级研究框架。其基本思想是：在能源侧，以钠离子电池储能系统刻画可用能量、充放电功率、效率和荷电状态（SOC）约束；在计算侧，利用忆阻器阵列的可编程电导执行适合模拟计算的矩阵向量乘法，减少部分权重搬移与数据访问；在控制侧，通过能源感知任务调度，在数字计算单元与存算一体单元之间分配任务，以维持精度、时延与可靠性要求。

研究以完成的合格 AI 任务数/消耗的能源为主要评价目标，并通过分层建模、消融实验与敏感性分析，识别器件非理想性、ADC/DAC 外围开销、权重更新成本、储能损耗及调度策略对系统总体收益的影响。文中同时将网络内计算作为可选扩展方向，而不将其与存算一体混为一谈。该框架保持材料中立，可在后续纳入氧化物阻变器件、相变存储器、电化学随机存储器等候选技术，以可复现的仿真而非预设材料优劣进行比较。

关键词：钠离子电池；AIDC；忆阻器；存算一体；能源感知调度；异构计算；能效建模

1. 研究背景与问题定义

1.1 AIDC 面临的能源与数据移动问题

传统冯·诺依曼架构中的存储与计算通常由不同物理单元承担。神经网络运行时，模型权重和中间激活值在存储器、缓存和计算单元之间多次移动，由此产生访问延迟与能耗。对于大规模模型，计算本身并不是唯一瓶颈；存储层级、片间通信以及网络传输也可能影响系统的吞吐、时延和能源效率。

存算一体尝试将某些计算操作移入或靠近存储阵列，减少不必要的数据搬运。已有相变存储器模拟存算芯片研究展示了神经网络推理的实际硬件可行性，同时强调必须协同设计片上数字逻辑和通信系统，才能讨论端到端收益[2]。此外，模拟存算系统的模数转换器（ADC）等外围电路可能成为显著的面积和能耗开销[3]。

1.2 为什么引入钠离子电池

钠离子电池是面向固定式储能的潜在技术路线之一，具备资源供应多样化等研究动机，但其成本、寿命、效率、功率性能与适配性均依赖具体电芯体系和系统设计，不能假定其在所有情况下优于锂离子电池[9][10]。

对于 AIDC，储能系统可能承担削峰、备用、能量时移和配合可再生能源供电等任务。本课题首先把钠电定义为具有特定能量和功率约束的供能资源，而不是认为钠电材料直接提高处理器算力。钠电对“同等能源约束下有效算力”的价值，主要通过供电可用性、功率限制以及与任务调度之间的耦合来体现。

1.3 研究问题

本文聚焦以下问题：

在何种神经网络算子、模型精度和器件条件下，忆阻器存算一体能够减少端到端推理能耗，而不仅是阵列本体能耗？
当钠电池的 SOC、可输出功率或可用能源受限时，能否通过异构任务调度完成更多满足服务要求的任务？
器件噪声、有限电导状态、ADC/DAC、读写开销及储能转换损耗，会在何种情况下抵消理论节能优势？
计算侧节能、能源侧调度与可选的网络优化分别贡献多少收益？其协同效应是否显著？

1.4 研究边界

本项目以软件仿真和技术可行性评估为核心，不以制造忆阻器或电池实物为前提，不在初期选定某种特定阻变材料。研究对象是具有钠电储能参与供电的 AIDC 计算子系统；更大规模的完整数据中心预测只能在额外引入制冷、电源设施、网络拓扑和真实负载参数后进行。

2. 理论基础：三个相互独立、可以协同的技术层

2.1 忆阻器存算一体：降低部分数据搬移成本

忆阻器及其他可编程电阻存储器可以通过物理电导表示权重。在理想模拟交叉阵列中，施加于行线的电压经由阵列电导产生电流，列端电流体现加权求和：

I_j = \sum_{i=1}^{M} V_i G_{ij}.

其中， $V_i$ 为第 $i$ 行输入电压， $G_{ij}$ 为交叉点电导， $I_j$ 为第 $j$ 列输出电流。该关系源于欧姆定律与基尔霍夫电流定律，构成模拟矩阵向量乘法（Vector–Matrix Multiplication，VMM）的基本原理。

实际神经网络存在正负权重，通常需要差分电导或其他编码方式。例如：

w_{ij} \approx \alpha\left(G_{ij}^{+}-G_{ij}^{-}\right),

其中 $\alpha$ 是映射尺度参数。这意味着一个有符号权重可能使用多个器件，不能把“一个矩阵乘法”等同于“没有编码或外围成本的单次模拟计算”。

潜在优势包括减少重复权重读取、适合一定范围内的并行矩阵运算，以及非易失性存储带来的待机权重保持能力。主要约束包括电导编程误差、器件间离散性、循环波动、漂移、线阻压降、读噪声、有限精度与模数转换开销。

2.2 钠电储能：提供受约束、可调度的能源

钠离子电池在本研究中体现为具有状态变量的储能模块：

可用能量：决定在当前状态下还能向负载供给多少能量；
最大充放电功率：限定瞬时可以承担的负载水平；
SOC 与工作边界：防止超出设定的充放电范围；
效率与损耗：决定电池储能转化为负载侧电能的净可用量；
可选温度、老化和寿命成本：适用于后续高保真分析。

对于黑客松初期，采用离散时间 SOC 和功率限制模型通常足以建立系统闭环；进一步研究可使用公开的钠电池物理模型及参数集进行校准[6][7]。

需要指出：电池储能不会自行降低一次 AI 推理所需的电能。 储能的直接作用是改变电能的可用时间、可用功率和供能稳定性；计算能耗降低主要取决于计算体系结构及任务分配。

2.3 能算协同：让任务、硬件与能源状态相匹配

异构系统由传统数字计算单元（CPU/GPU 或其仿真抽象）与 CIM 加速单元共同组成。针对每个任务，调度器依据其算子结构、工作负载大小、模型精度要求、预计时延及电池状态进行任务分配。

例如，经过验证的低精度、权重重用率高的矩阵计算可成为存算一体候选；高精度、控制流复杂或模拟实现不经济的运算可继续交由数字计算单元。是否实际节能必须由同一系统边界内的能耗和服务质量指标决定，不能事先指定 CIM 始终更优。

2.4 与网络内计算的关系

网络内计算（In-Network Computing）是在可编程交换机、智能网卡或其他网络设备附近对数据进行过滤、聚合或处理，以减少主机间数据传输。SwitchML 已展示利用交换网络对分布式训练更新进行聚合的研究路径[8]。

网络内计算与忆阻器 CIM 不是同一概念：前者优化数据沿网络移动的方式，后者优化计算与存储的物理位置。二者可组合，但真实可编程交换机的算子能力、存储资源和时序约束必须单独建模。

3. 系统架构与信息流

正文图片

模块之间的耦合逻辑如下：

工作负载生成器给出请求时间、模型类型、运算量、输入规模和服务质量要求。
数字计算模型与 CIM 模型分别估计每类任务的耗能、时延和可接受精度。
电池模型在每一时间步提供可用能量、SOC 和供电功率边界。
调度器决策任务路由、执行时机及是否因精度不足回退数字计算。
统一核算模块统计全部任务、整机用能与约束违反情况。

为避免概念混淆，区分以下三个核算边界：

核算边界	需要计入的内容	可以回答的问题
阵列/加速器级	忆阻器阵列、输入驱动、ADC/DAC、数字后处理、缓冲与数据接口	某种 CIM 设计本身是否高效？
计算节点级	加速器、CPU/GPU、内存、节点通信、空闲和调度开销	实际推理任务是否更省电？
供能/设施级	计算与网络节点、制冷、辅助设备、转换损耗、电池充放电	相同能源预算下能否提供更多有效服务？

比较结果时必须明确采用哪个边界。一个阵列能效结果不能直接作为 AIDC 整体节能比例。

4. 核心数学模型

4.1 面向材料中立的 CIM 器件行为模型

在不指定材料时，使用参数化电导模型：

\tilde G_{ij}(t) = \operatorname{clip}\left( G_{ij}^{\mathrm{target}}+\epsilon_{ij}^{\mathrm{prog}} +\epsilon_{ij}^{\mathrm{read}}(t)+d_{ij}(t),\; G_{\min},G_{\max}\right).

其中 $\epsilon^{\mathrm{prog}}$ 表示编程误差， $\epsilon^{\mathrm{read}}$ 表示读取噪声， $d_{ij}(t)$ 表示随时间变化的漂移， $G_{\min},G_{\max}$ 为可达电导上下界。该模型仅为可配置的行为抽象；误差分布及漂移形式需依据候选器件的研究数据具体选定。

建议为每类候选器件建立统一参数接口：

参数	物理意义	典型数据来源
$G_{\min}, G_{\max}$	电导范围，单位 S	文献 I–V 与多态电导数据
$N_{\mathrm{state}}$	可区分电导状态数量	多级编程实验
$\sigma_{\mathrm{prog}},\sigma_{\mathrm{read}}$	写入和读取统计误差	重复测量与分布数据
$d(t)$	保持期间电导漂移	保持特性实验
$V_{\mathrm{read}}$ 、 $t_{\mathrm{read}}$	读取电压及持续时间	器件读出测试
$E_{\mathrm{write}}$ 、 $t_{\mathrm{write}}$	权重编程开销	写入脉冲实验
阵列面积、线阻、ADC/DAC 配置	电路级附加损耗	架构工具与电路模型

候选材料在此保持开放。可先使用抽象“低噪声/中噪声/高噪声”“低/高电导”等场景开展敏感性分析，待选型后再以真实器件数据替换。抽象场景必须标为假设，不能标为实测材料性能。

4.2 存算一体的完整推理能耗

设一个推理任务在 CIM 上的总能耗为：

E_{\mathrm{CIM,task}}= E_{\mathrm{array}}+E_{\mathrm{ADC}}+E_{\mathrm{DAC}} +E_{\mathrm{buffer}}+E_{\mathrm{transfer}} +E_{\mathrm{digital\,post}}+E_{\mathrm{idle}} +\frac{E_{\mathrm{program}}}{N_{\mathrm{reuse}}}.

$N_{\mathrm{reuse}}$ 表示同一组权重在重新编程前被使用的有效任务次数；最后一项体现编程成本的摊销。若需要频繁更新权重，该项可能显著增大。上述各项应在同一任务粒度与同一供电边界下统计，以免重复计数。

传统数字计算可用独立的端到端测量或校准模型表示：

E_{\mathrm{digital,task}} =E_{\mathrm{arithmetic}}+E_{\mathrm{memory}} +E_{\mathrm{interconnect}}+E_{\mathrm{other}}.

这里的表达式用于明确组成，不等于断言 $E_{\mathrm{CIM,task}}<E_{\mathrm{digital,task}}$ 。特别是 ADC 能耗可能显著改变比较结论[3]。

4.3 钠离子电池的简化状态模型

令 $E_{\mathrm{nom}}$ 为标称储能容量（统一采用 J 或 Wh）， $SOC_t\in[0,1]$ 。在离散时间步 $\Delta t$ 内，以负载侧实际获得的电池放电功率 $P_{\mathrm{b,del}}(t)\geq0$ 和充电侧输入功率 $P_{\mathrm{ch,in}}(t)\geq0$ 为变量，可建立近似模型：

SOC_{t+\Delta t} = SOC_t -\frac{P_{\mathrm{b,del}}(t)\Delta t}{\eta_{\mathrm{dis}}E_{\mathrm{nom}}} +\frac{\eta_{\mathrm{ch}}P_{\mathrm{ch,in}}(t)\Delta t}{E_{\mathrm{nom}}}.

式中 $\eta_{\mathrm{dis}}$ 与 $\eta_{\mathrm{ch}}$ 分别表示放电与充电从所定义边界到储能内部的综合效率。约束包括：

SOC_{\min}\leq SOC_t\leq SOC_{\max}, \qquad 0\leq P_{\mathrm{b,del}}(t)\leq P_{\mathrm{b,max}}(SOC_t,T_t).

在不研究充电的最小原型中令 $P_{\mathrm{ch,in}}=0$ 。此模型是能量记账近似，尚未描述电压平台、极化、倍率依赖、温度变化、衰老与电芯不一致性。若涉及电池具体化学体系与动态电压，应引入经实验校准的物理模型，例如 PyBaMM 的钠离子 DFN 示例及 Chayambuka 等人的参数化研究[6][7]。

4.4 电力与计算约束的耦合

在统一的供电母线边界上，可以写出简化功率平衡：

P_{\mathrm{grid}}(t)+P_{\mathrm{renew}}(t)+P_{\mathrm{b,del}}(t) =P_{\mathrm{facility}}(t)+P_{\mathrm{ch,in}}(t).

设施功率可分解为：

P_{\mathrm{facility}}=P_{\mathrm{compute}}+P_{\mathrm{network}} +P_{\mathrm{cooling}}+P_{\mathrm{aux}}+P_{\mathrm{conversion\,loss}}.

在只研究由钠电池独立供能的简化场景，设 $P_{\mathrm{grid}}=P_{\mathrm{renew}}=0$ ；在研究钠电储能参与电网/可再生能源协同供电时，可增加对应的输入曲线。以上功率项均需定义为同一母线侧等效功率，避免把变换损耗重复计入。

4.5 有效算力与联合优化目标

仅用理论 TOPS、峰值 FLOPS 或阵列级 TOPS/W，不足以比较实际 AIDC 服务能力。本文建议将“有效算力”操作化为：固定评测窗口内完成的、满足预先约定质量与时延条件的 AI 服务工作量。

对同构推理请求，定义：

N_{\mathrm{valid}}=\sum_{k=1}^{N} \mathbf{1}\bigl[q_k\geq q_{\min}\ \land\ L_k\leq L_{\max}\bigr],

其中 $q_k$ 是评测集上定义的单次任务质量判据， $L_k$ 为端到端响应时延。对于分类等场景，可使用有真值标签的离线测试结果定义“正确且按时返回”的任务；对于语言模型场景，则需事先声明质量评分标准。不得在比较后临时修改有效任务的判定方式。

将主指标定义为：

\boxed{\eta_{\mathrm{effective}}=\frac{N_{\mathrm{valid}}}{E_{\mathrm{budget\,used}}}}

其单位可表示为合格请求数/kWh。如任务种类不同，应采用事先公布的统一工作量权重或按负载类型分别报告，避免将轻任务与重任务简单累加。

优化问题可写为：

\max_{\pi}\;N_{\mathrm{valid}}(\pi)

约束条件为：

\begin{aligned} &E_{\mathrm{used}}(\pi)\leq E_{\mathrm{budget}},\\ &P_{\mathrm{facility}}(t)\leq P_{\mathrm{cap}}(t),\\ &SOC_{\min}\leq SOC_t\leq SOC_{\max},\\ &\text{所有已声明的服务质量和可靠性条件成立。} \end{aligned}

这里 $\pi$ 为任务路由、执行时刻、计算精度及电池放电功率的联合策略。若主目标是“在固定时限完成更多合格任务”，应给所有方案相同的能源预算、任务到达序列、评测时间窗和截止期限；再额外报告单位能源完成量。

5. 仿真方案：从简单可运行模型到系统级验证

5.1 第一层：AI 工作负载与数字基线

使用 Python/PyTorch 生成可复现实验负载，记录：模型规模、任务到达时间、单请求输入量、目标准确率、最大响应时延、批处理大小和数字计算端到端能耗。演示阶段可用手写数字识别或小型多层感知机验证流程，但不能据此直接宣称 AIDC 规模的节能效果。后续至少增加一种更接近数据中心的推理工作负载，例如中等规模 CNN 或 Transformer 的线性层/前馈网络子任务，并标明模拟范围。

数字基线的能耗不能随意假定为固定常数；如没有目标硬件功率计量，应使用可说明来源的性能/能耗模型，并以参数区间呈现不确定性。

5.2 第二层：材料中立的忆阻器 CIM 仿真

选择参数化交叉阵列模型，按同一神经网络分层映射权重，分析：阵列尺寸、量化位数、差分编码、器件电导范围、写入误差、读噪声、时间漂移、线阻与 ADC 分辨率的影响。

推荐工具分工：

工具	建议用途	必须了解的局限
PyTorch / NumPy	网络推理、精度基线、任务模拟与统一数据格式	不自动提供硬件能耗
CrossSim	模拟阵列非理想性及推理精度退化	官方说明不直接建模能耗、面积或速度[4]
DNN+NeuroSim	存算架构的电路/架构级能耗、面积和时延评估	输入器件/工艺参数需校准，不同版本功能有差异[5]
PyBaMM	需要时开展钠电池电化学和电压动态仿真	默认模型不可未经校准就代表任何具体商用电池[6]
Streamlit / Matplotlib	呈现状态、消融对比和性能曲线	只负责展示，不构成物理证据

特别注意：CrossSim 用于准确率与非理想性，NeuroSim 用于能耗/面积/延迟，两者结果需在同一阵列、量化、输入分布和操作计数口径下衔接。如果集成难度较高，先以自行编写且注明假设的 Python 行为级模拟器完成最小可运行方案，再逐步用上述工具替换其子模型。

5.3 第三层：钠电储能与供电限制

第一版先实现可读、可校验的时间步 SOC 模型，输入为初始 SOC、容量、充放电效率、功率上限、负载需求曲线及可选电网/可再生能源输入。输出为 SOC、供电功率、累计供电能量、未满足负载及约束违反事件。

第二版可通过 PyBaMM 的钠离子 DFN 模型，引入电压随 SOC 与倍率变化的效应，但必须核对其参数所属的电芯体系，且明确从单体电芯到储能系统的串并联与转换效率假设。

5.4 第四层：能源感知异构调度

先构造两种可解释的策略，再扩展优化算法：

固定策略：按预设比例、固定算子规则或固定优先级分配到数字/CIM 模块，不依赖当前 SOC。
能源感知策略：预测任务在两类硬件上的质量、耗能和时延，结合 SOC、瞬时功率余量与任务截止期限决定是否进入 CIM；对预计达不到质量门槛的任务直接选择数字计算。

可进一步采用启发式调度、动态规划、整数规划或强化学习，但算法复杂度应与可获得的数据匹配。对黑客松，可解释、可复现的规则调度通常比未经充分验证的复杂强化学习更有说服力。

5.5 软件模块组织

na-cim-aidc/
├── README.md
├── configs/
│   ├── workload.yaml             # 负载与SLA
│   ├── device_generic.yaml       # 与材料无关的器件参数
│   ├── battery_sodium.yaml       # 储能容量/效率/SOC/功率边界
│   └── experiment.yaml           # 随机种子与实验矩阵
├── src/
│   ├── workload.py              # 任务发生器
│   ├── digital_model.py         # 数字计算基线
│   ├── cim_model.py             # 交叉阵列映射/非理想性
│   ├── energy_model.py          # 完整能耗记账
│   ├── sodium_battery.py        # 钠电状态方程
│   ├── scheduler.py             # 异构调度
│   ├── metrics.py               # 有效算力与SLA评价
│   └── simulate.py              # 主仿真时钟
├── experiments/
│   ├── baseline.py
│   ├── ablation.py
│   └── sensitivity.py
├── app.py                       # 可选交互仪表盘
└── results/                     # 曲线、表格与参数快照

上述为项目架构。

6. 实验设计与评价协议

6.1 主要对照组

用一个清晰的 2×2 消融矩阵区分“有无 CIM”和“有无能源感知调度”：

组别	计算架构	调度方式	用途
A	全数字基线	固定策略	基准参考
B	数字 + CIM	固定策略	测量 CIM 的独立贡献
C	全数字基线	能源感知策略	测量调度的独立贡献
D	数字 + CIM	能源感知策略	验证联合方案的总体收益

如果全数字基线在物理上没有不同的路由路径，也可以用功率管理、请求队列与延迟执行来实现 C 组；如不存在可用调度自由度，应明确报告 C 与 A 相同，而不是人为制造差异。

6.2 公平比较协议

各组应统一：任务输入序列、随机种子、请求大小、模型目标质量、最大响应时延、测试时间窗、初始 SOC、储能容量、总能源预算与供电功率约束。允许硬件架构不同，但不能在某组遗漏外围电路、空载能耗或电力转换损耗。若功耗模型来自不同论文，应解释工艺、位宽、吞吐与系统边界的不可比性，并进行区间敏感性分析。

6.3 核心指标

指标	定义或单位	优先级
合格任务数	给定时限内通过质量与 SLA 判据的请求数	最高
有效任务能效	合格任务数/kWh	最高
总耗能	kWh（指定核算边界）	最高
任务完成率	合格完成任务/到达任务	高
P95 / P99 时延	ms 或 s	高
推理质量	Accuracy、F1 或其他事先定义的质量指标	高
电池最低 SOC / 约束违反	% / 次数	高
峰值功率	kW 或 W	高
CIM 专项指标	阵列能量、ADC/DAC 占比、编程摊销能耗	中
网络传输量	bytes；仅在增加网络模型时使用	扩展

6.4 敏感性与稳健性分析

应至少改变以下维度：

器件：电导上下限、状态数、读噪声、写入误差、时间漂移；
架构：阵列尺寸、ADC/DAC 精度、差分权重编码、权重重编程频率；
任务：请求到达率、批量、SLA 严格程度、可映射至 CIM 的算子比例；
能源：初始 SOC、储能容量、输出功率上限、效率及供电波动；
模型不确定性：数字基线能耗、外围电路能耗、调度额外开销。

6.5 可选网络内计算扩展

在核心实验稳定后，可增加第 5 组：在 D 组基础上加入网络侧数据聚合/过滤。应单独统计网络侧额外处理功耗和节省的传输量；若模型只包含简化的数据流量公式，而非真实网络设备行为，须明确是通信流量级估算，不能声称完成交换芯片的硬件加速验证。

7. 科学假设、创新空间与可能失败的情形

7.1 研究假设

H1： 对于适合低精度矩阵运算、权重可反复复用的负载，在考虑所有外围开销后，某些忆阻器 CIM 配置的每次合格推理能耗可能低于匹配的数字基线。

H2： 在钠电储能受容量与瞬时功率双重约束时，能源感知异构调度可能提高有限时间窗内的合格任务完成量，或减少 SLA 违约。

H3： H1 与 H2 的收益不是必然相加；器件误差、模拟外围损耗、任务重试、空闲功耗、储能转换损耗均可能改变联合方案的最优点。

7.2 潜在创新点

跨层评价：用从器件与外围电路到储能约束的统一能量账本，避免“阵列能效”代替“系统能效”。
有效算力定义：以任务质量和时延约束下的完成量而非峰值 FLOPS 作为主要目标。
能源感知分配：把电池 SOC、输出功率上限与计算设备的非理想性纳入同一决策过程。
材料中立的可替换接口：允许未来接入真实氧化物 RRAM、PCM、ECRAM 等器件参数，保持实验可比。
可扩展通信协同：后续逐步引入网络内计算，分别量化计算侧和通信侧的节能贡献。

上述为拟提出和待验证的创新设计，不代表每项都在学术上首次出现。正式申报研究创新性时，应对照最新相关文献开展更系统的查新。

7.3 应主动报告的负面结果

如果出现下列情形，也应如实呈现：

ADC/DAC 与数据接口耗能超过阵列节能量；
器件噪声降低精度，重试或回退后总耗能反而增加；
某类负载不适合 CIM，任务频繁跨设备搬移；
储能放电损耗抵消调度收益，或某策略触发功率约束；
在相同预算下，数字基线由于批处理、缓存或高利用率而表现更好。

允许联合方案没有优势，是保持实验可信度的必要条件。

8. 最小可行成果（MVP）与实施里程碑

阶段一：理论闭环。 完成统一工作负载、数字基线、简化 CIM 精度模型、钠电 SOC 模型与评价指标；实现完整任务流和能量守恒检查。

阶段二：可验证的计算模型。 引入 CrossSim 或等效准确率模型，并以 NeuroSim 或有出处的芯片级参数校准能耗；量化 ADC/DAC、数据搬移和编程摊销的贡献。

阶段三：调度与消融。 实现 A/B/C/D 对照实验，输出固定能源预算下的合格请求数量、分位数时延、SOC、能耗构成与置信区间。

阶段四：展示与发布。 构建交互式仪表盘，让评委修改初始 SOC、负载强度、允许精度误差或 CIM 设备参数，实时查看策略及结果变化。附带配置文件、随机种子、实验脚本、原始结果表与参数引用表。

9. 讨论：钠电与存算一体如何形成真正的系统关联

本课题的关键不是把钠离子“放进”忆阻器。钠离子电池是供能技术，忆阻器是计算/存储器件，两者可以独立选型。 它们发生联系的层级是运行期系统管理：储能系统决定某时段可用多少能量和功率，异构计算平台决定某个任务消耗多少能量、需要多长时间以及能达到怎样的质量，而调度器连接这两者。

这种系统关联同时意味着一个必须坚持的评估原则：如果更换钠电为其他供电技术但保持完全相同的供电能量、功率与效率约束，则计算架构本身的节能结论不应神秘地发生变化。 钠电的特异性应体现在其实际参数及受约束的运行场景，而不是给忆阻器附加一个无法解释的节能倍率。

当未来有真实的储能型号、AIDC 服务器和器件参数时，可进一步研究削峰、可再生能源时移、散热耦合、电池循环损耗和设备总拥有成本。此类扩展需要额外数据，不能仅由当前行为级模型推导可靠的商业结论。

10. 结论

本文建立了一个不绑定忆阻器材料、以软件仿真为导向的钠电 AIDC 存算一体技术框架。该框架把问题分成三层：供能层用钠离子电池描述能源可用性与功率约束，计算层以忆阻器 CIM 尝试降低部分矩阵计算的数据移动和执行能耗，调度层根据任务质量、服务时延与电池状态进行异构计算优化。

参考文献与公开工具

[1] International Energy Agency (IEA). Energy and AI. IEA, 2025. https://www.iea.org/reports/energy-and-ai

[2] Le Gallo M, Khaddam-Aljameh R, Stanisavljevic M, et al. A 64-core mixed-signal in-memory compute chip based on phase-change memory for deep neural network inference. Nature Electronics, 2023, 6: 680–693. https://doi.org/10.1038/s41928-023-01010-1

[3] Hong H, Du Z, Jiang M, et al. Memristor-based adaptive analog-to-digital conversion for efficient and accurate compute-in-memory. Nature Communications, 2025, 16: 9749. https://doi.org/10.1038/s41467-025-65233-w

[4] Sandia National Laboratories. CrossSim: Accuracy Simulation of Analog In-Memory Computing. 项目主页：https://cross-sim.sandia.gov/；代码：https://github.com/sandialabs/cross-sim

[5] NeuroSim Team. NeuroSim: Circuit-/Architecture-Level Benchmarking for In-Memory Computing. 官方代码仓库：https://github.com/neurosim/NeuroSim

[6] PyBaMM Developers. DFN Model for Sodium-Ion Batteries. 官方示例：https://docs.pybamm.org/en/pybamm-v26.10.0.0/source/examples/notebooks/models/sodium-ion.html；代码：https://github.com/pybamm-team/PyBaMM

[7] Chayambuka K, Mulder G, Danilov D L, Notten P H L. Physics-based modeling of sodium-ion batteries part II. Model and validation. Electrochimica Acta, 2022, 404: 139764. https://doi.org/10.1016/j.electacta.2021.139764

[8] Sapio A, Canini M, Ho C-Y, et al. Scaling Distributed Machine Learning with In-Network Aggregation. Proceedings of the 18th USENIX Symposium on Networked Systems Design and Implementation (NSDI), 2021: 785–808. https://www.usenix.org/conference/nsdi21/presentation/sapio

[9] Usiskin R, Lu Y, Popovic J, et al. Fundamentals, status and promise of sodium-based batteries. Nature Reviews Materials, 2021, 6: 1020–1035. https://doi.org/10.1038/s41578-021-00324-w

[10] Yao A, Benson S M, Chueh W C. Critically assessing sodium-ion technology roadmaps and scenarios for techno-economic competitiveness against lithium-ion batteries. Nature Energy, 2025, 10: 404–416. https://doi.org/10.1038/s41560-024-01701-9

[11] Lammie C, Xiang W, Linares-Barranco B, Azghadi M R. MemTorch: An Open-source Simulation Framework for Memristive Deep Learning Systems. arXiv, 2020. https://arxiv.org/abs/2004.10971

版本说明：v1.0 建立系统理论框架与复现规范；待后续查阅资料获得真实器件参数、具体钠电池参数和可校准数字硬件能耗数据后，可更新为含真实结果或仿真结果的 v2.0版本。

面向钠电 AIDC 的忆阻器存算一体与能算协同优化理论架构