跳到正文
1836 · 开源社区

1836 · 开源社区

AI时代的人本基建

登录/注册
← 返回项目《初焰 • 纳宙 第一赛季 - 火象议题 03 射手座》

面向钠电 AIDC 的 TaOₓ 忆阻器存算一体软件仿真

参与共建发布

Kiwi · 发布于 2026/10/16 · 更新于 2026/10/16

KI

Kiwi2026/10/16

面向钠电 AIDC 的 TaOₓ 忆阻器存算一体软件仿真

当前进度：已完成 TaOₓ 1T1R 器件行为级模拟与 AI 推理实验；钠离子电池及 AIDC 端到端系统模型尚未接入。 相应数据与代码已上传至GitHub：https://github.com/g3180991594-ops/-AIDC-TaO-

摘要

人工智能数据中心（AI Data Center，AIDC）的能源开销既来自计算，也来自存储与数据搬运。忆阻器存算一体（Computing-in-Memory，CIM）可使用器件电导表达神经网络权重，在交叉阵列中借助欧姆定律与基尔霍夫电流定律执行模拟矩阵—向量乘法，具有降低部分数据搬运开销的潜力。钠离子电池则可以作为能源供给和储能缓冲环节，以荷电状态（State of Charge，SOC）、剩余可用能量和输出功率约束影响计算任务调度。两者的协同价值必须通过同等能源预算、相同计算负载和相同服务质量约束下的系统级比较加以验证。

本研究选择具有公开器件研究基础的 TaOₓ（氧化钽）1T1R 阻变忆阻器作为首轮模拟对象，构建两层差分电导交叉阵列，模拟网络权重映射、离散电导、随机编程误差及模数转换器（ADC）量化。采用 scikit-learn digits 数据集和 64→32→10 多层感知机（MLP）验证模拟推理的准确率，并建立一个包含阵列电阻耗散及演示性 ADC/DAC 开销的局部能耗估计模型。实验显示，在当前简化模型、8 bit ADC 下，浮点基准和无附加随机误差的模拟推理准确率均为 97.56%；在 5% 电导跨度标准差的编程误差下，平均准确率为 95.56%。这些数字仅属于本次模拟，不等于论文报告的实体器件性能。

关键词：钠离子电池；AIDC；忆阻器；TaOₓ；1T1R；存算一体；模拟计算；能源感知调度；软件仿真。

1. 项目目标与研究边界

1.1 研究目标

赛题目标是减少数据传输、存储和处理相关能耗，探索在相同能源约束下获得更多有效算力。本项目拟通过三层协同达成这一目标：

  1. 计算层：使用忆阻器 CIM 加速部分矩阵运算，分析精度与局部能耗之间的权衡；
  2. 能源层：使用钠离子电池 SOC、可用能量及功率约束描述能源供给条件；
  3. 调度层：依据计算任务的精度要求、时延要求及能源状态，在传统数字计算和 CIM 计算之间进行任务分配。

钠电与忆阻器之间是系统级协同关系，不要求忆阻器材料含钠。 钠电池不能凭空创造能量；采用 CIM 也不保证所有 AI 负载都节能。两者的净收益应由完整的端到端能耗模型验证。

1.2 阶段划分

阶段核心内容当前状态
阶段 ITaOₓ 1T1R 行为模型、神经网络推理和误差扫描已完成
阶段 II经过校准的 ADC/DAC、外围电路、延迟及数字基线待完成
阶段 III钠电池 SOC/效率/功率约束模型待完成
阶段 IV异构任务调度、固定能源预算对比待完成
阶段 V网络内聚合、端到端 AIDC 场景可选扩展

2. 为什么以 TaOₓ 1T1R 作为第一种仿真器件？

TaOₓ 是常见氧化物阻变存储器（OxRAM/RRAM）材料之一。Abedin 等于 2023 年在 Scientific Reports 发表了 TaOₓ 与 HfOₓ 1T1R 器件的同工艺条件比较研究，基于 65 nm CMOS 工艺。论文中，在某一特定编程条件下，TaOₓ 器件获得 35 个可区分电导状态，相应低端电导约 9.8 μS；论文报告该组研究中的 TaOₓ 电导水平低于对应 HfOₓ 器件，因而具备降低阵列导通功耗的潜力。[1]

选择依据有三点：一是器件参数有公开实验来源；二是多级电导适合模拟神经网络权重；三是 1T1R 单元便于解释选通、编程和阵列扩展。这并不意味着 TaOₓ 一定优于所有 HfOₓ、PCM 或 ECRAM 器件，更不代表材料选型已经最终确定。后续可保持网络、量化策略及能源预算不变，增加其他器件模型开展公平比较。

注意：参考论文包含模拟片上训练分析；本项目采用数字离线训练后映射到模拟阵列进行推理，两个工作场景不相同，不可直接比较训练准确率。

3. 系统理论架构

正文图片

这里的 TaOₓ CIM 是本次已经实现的模块，其余模块为后续系统级研究计划。

3.1 交叉阵列矩阵计算

在理想化线性读出条件下，列电流可表示为：

Ij=∑iViGij,I_j=\sum_i V_iG_{ij},

其中 ViV_i 为输入电压，GijG_{ij} 为单元电导，IjI_j 为第 jj 列的输出电流。实际器件中还存在电导非线性、寄生电阻、读噪声、选通电路及 ADC/DAC 开销，因此该理想关系不能代替完整电路级建模。

网络权重可能为负，本项目通过两组非负电导表示有符号权重：

Wij=WscaleGij+−Gij−Gmax⁡−Gmin⁡.W_{ij}=W_{\mathrm{scale}}\frac{G^+_{ij}-G^-_{ij}}{G_{\max}-G_{\min}}.

这里 G+G^+ 与 G−G^- 分别是正负差分阵列电导；WscaleW_{\mathrm{scale}} 用于恢复原始权重数值尺度。

3.2 简化的阵列导通能耗

Earray≈tread∑iVi2∑j(Gij++Gij−).E_{\mathrm{array}}\approx t_{\mathrm{read}}\sum_i V_i^2\sum_j\left(G^+_{ij}+G^-_{ij}\right).

这是理想电阻模型的导通耗散，而非完整芯片能耗。以本项目采用的固定转换次数模型为例：

Epartial=Earray+NADCeADC+NDACeDAC.E_{\mathrm{partial}}=E_{\mathrm{array}}+N_{\mathrm{ADC}}e_{\mathrm{ADC}}+N_{\mathrm{DAC}}e_{\mathrm{DAC}}.

这项局部估计暂未计入选通晶体管、驱动、控制、缓冲、互连、静态功率、权重编程及能源转换等环节。

3.3 钠离子电池的系统约束（待实现）

对仅放电、功率在时间步内近似恒定的简化储能模型，可写为：

SOCt+Δt=SOCt−Pload(t)ΔtηdisEnom,SOC_{t+\Delta t}=SOC_t-\frac{P_{\mathrm{load}}(t)\Delta t}{\eta_{\mathrm{dis}}E_{\mathrm{nom}}},

其中 PloadP_{\mathrm{load}} 是负载所需功率，ηdis\eta_{\mathrm{dis}} 是放电与供电链路综合效率，EnomE_{\mathrm{nom}} 是标称电量（能量单位，J 或 Wh，公式中需统一）。该模型应逐步增加功率限值、SOC 上下限和效率随工况变化等因素；若考虑充电、老化或温度，应采用相应的扩展模型。

3.4 最终优化目标（待实现）

定义 NvalidN_{\mathrm{valid}} 为同时满足准确率和时延门槛的任务数，则可在固定能源约束下优化：

max⁡πNvalid(π),s.t.Eused≤Ebudget,P(t)≤Pmax⁡,\max_{\pi}N_{\mathrm{valid}}(\pi), \quad \mathrm{s.t.}\quad E_{\mathrm{used}}\le E_{\mathrm{budget}},\quad P(t)\le P_{\max},

并施加任务级精度及截止时延要求。策略 π\pi 决定任务由数字单元还是 CIM 单元处理，评价指标可取 Nvalid/EusedN_{\mathrm{valid}}/E_{\mathrm{used}}，也应单独报告任务完成数、耗能和精度，防止通过拒绝困难任务夸大单位能耗效率。

4. 已完成的行为级仿真

4.1 数据与模型

  • 数据集：scikit-learn 内置 digits，8×8 灰度手写数字图像，共 1797 张；分层划分为 1347 张训练样本和 450 张测试样本。
  • 基准网络：64→32→10 的 MLP，使用 scikit-learn 在数字平台离线训练。
  • 模拟推理：将两个全连接层映射为差分电导阵列，对非负输入施加线性电压编码，实现矩阵计算，最后恢复输出尺度。
  • 误差模型：离散电导量化及独立高斯编程扰动，并将扰动后电导裁剪在 Gmin⁡G_{\min} 与 Gmax⁡G_{\max} 之间。
  • 读出模型：6/8/10 bit ADC 与理想无量化状态；ADC 满量程用训练集校准。
  • 复现配置：随机种子 42，每组参数重复 3 次。训练集与测试集相互独立。

4.2 仿真参数与来源

参数初始取值参数属性
器件类型TaOₓ，1T1R公开文献有相关器件实验 [1]
离散电导状态数35文献特定实验条件 [1]
Gmin⁡G_{\min}9.8 μS文献特定实验条件 [1]
Gmax⁡G_{\max}60 μS演示假设，未经实测校准
读取电压0.10 V演示假设
单次读取时长10 ns演示假设，不是文献中的写脉冲时长
ADC 单次转换能耗2 pJ演示假设
DAC 单次转换能耗0.2 pJ演示假设
编程误差标准差电导跨度的 0%、2%、5%、10%敏感性分析设定
ADC 量化精度理想、6、8、10 bit敏感性分析设定

这里的 ADC 单次能耗被人为设成常数，不能由此比较不同 ADC 位数的实际能耗优劣；需要在后续电路模型中建立能耗随分辨率、采样速率与电路拓扑变化的关系。

5. 首轮运行结果

以下数据来自本次已有的 Python 程序运行后生成的 results.csv，并非器件实验测量数据。准确率为 3 次模拟的均值 ± 标准差，能耗为设定模型的单样本均值。

配置测试准确率阵列导通ADC（假设）DAC（假设）已建模局部能耗
数字浮点基准97.56%———尚未建模
TaOₓ / 8 bit / 0% 误差97.56% ± 0.00%1.73 pJ168.00 pJ19.20 pJ188.93 pJ/次
TaOₓ / 8 bit / 5% 误差95.56% ± 1.27%1.77 pJ168.00 pJ19.20 pJ188.97 pJ/次
TaOₓ / 8 bit / 10% 误差90.74% ± 4.06%1.82 pJ168.00 pJ19.20 pJ189.02 pJ/次

分析：在当前网络与误差模型下，随机电导偏差增大会造成准确率下降；对于选定的假设参数，ADC 开销在局部能耗中占主导。由此可知，评价忆阻器 CIM 时必须纳入外围电路，而不能只计算阵列导通耗散。由于数字计算基线的能源尚未校准，当前不能计算 TaOₓ 相对 GPU 的节能比例；由于尚未接入电池，当前也不能计算钠电 AIDC 的可用推理数量增益。

可参考以下两张结果图：

Accuracy vs Variation Modeled Energy Breakdown

图片属于配套项目资源；单独分享此 Markdown 时，请同时附上 taox_sim/results/ 目录，或在发布平台上传图片后替换链接。

6. 如何复现

在配套源码目录（包含 taox_cim_sim.py 和 requirements.txt）中执行：

python -m pip install -r requirements.txt
python taox_cim_sim.py --seed 42 --trials 3

当前 Python 程序将自动产生：

results/
├── REPORT.md
├── results.csv
├── accuracy_vs_variation.png
└── modeled_energy_breakdown.png

模拟程序使用 numpy、scikit-learn、matplotlib 等。若在不同依赖版本中复现实验，数值可能因算法实现或优化结果略有变化；建议记录 Python、numpy 与 scikit-learn 版本以确保可重复性。

7. 钠电 AIDC 第二阶段实验设计

为把当前器件模型升级为能回答黑客松赛题的系统模型，建议依次完成以下实验：

7.1 补齐芯片/加速器能耗

使用 CrossSim [2] 引入更真实的电导漂移、读噪声、编程误差、互连寄生和 ADC 误差，评估模拟硬件对算法准确率的影响。CrossSim 本身不显式输出加速器能耗、面积与速度，因而需另用 NeuroSim [3] 或其他可验证的电路级模型估计外围电路功耗与时延。所有物理数值应标记来自哪篇论文、哪套电路配置及哪些外推假设。

7.2 建立公平的数字计算基线

在相同模型、输入批次、准确率阈值和测量边界下，对比常规 CPU/GPU 推理与 CIM 估计。比较时需纳入权重加载、内存访问、主机交互、闲置功耗及电力转换损耗；若无法取得实际硬件测量，应明确使用同一参考来源或统一的仿真成本模型。

7.3 加入钠离子电池

从简化 SOC 动态模型开始，设置固定初始能量、放电功率上限、充放电效率及 SOC 安全范围。进一步可采用 PyBaMM 等电池建模平台，但须确保使用的是钠离子体系的合适参数，而不是把锂离子电池参数直接套用。

7.4 任务调度与消融比较

对照组计算架构调度方式目的
A传统数字计算固定策略全系统基线
B数字计算 + CIM固定策略识别 CIM 贡献
C数字计算 + CIMSOC 感知策略识别能源调度贡献
D（可选）数字计算 + CIM + 网络内聚合SOC 感知策略识别网络侧贡献

各组统一任务到达序列、电池可用能量、允许功率、服务质量阈值与仿真时间尺度。最终至少展示：有效推理任务数、总能耗、任务准确率、P95 时延、电池 SOC 曲线和功率约束违约次数。

8. 项目创新定位与风险

可讨论的创新方向是“受钠离子电池供能条件约束的 CIM—数字异构协同优化”，而不是宣称“发明一种尚不存在的存算原理”。项目要回答：在不同负载、SOC、功率上限和精度要求下，何时调用 CIM 才真正有利？

当前主要不确定性包括：器件随机性与长期保持特性尚未用实验数据校准；外围电路能耗存在较大模型不确定性；简化 MLP 与 digits 数据集不能代表复杂 AIDC 负载；钠电池效率和热管理尚未接入；网络通信与系统 PUE 也尚未建模。后续必须保留这些边界，避免将仿真假设陈述为工程上已经证实的优势。

9. 参考文献与工具

[1] Abedin M, Gong N, Beckmann K, et al. Material to system-level benchmarking of CMOS-integrated RRAM with ultra-fast switching for low power on-chip learning. Scientific Reports. 2023;13:14963. https://doi.org/10.1038/s41598-023-42214-x

[2] Sandia National Laboratories. CrossSim: accuracy simulation of analog in-memory computing. https://github.com/sandialabs/cross-sim ; 项目主页：https://cross-sim.sandia.gov/

[3] NeuroSim 项目仓库（用于存算一体电路与架构的面积、时延、能耗评估）：https://github.com/neurosim/NeuroSim

[4] PyBaMM，开源电池数学建模工具：https://github.com/pybamm-team/PyBaMM

10. 结论

TaOₓ 1T1R 忆阻器具有公开器件研究基础，适合作为钠电 AIDC 黑客松的首轮存算一体仿真对象。本项目已实现电导权重映射、模拟矩阵推理、随机器件误差与 ADC 量化分析，并形成可复现的程序及初步结果。在现有简化模型中，随着电导编程误差增大，模型测试准确率下降；外围 ADC/DAC 的假设能耗明显影响局部能耗结构。

下一步应通过更真实的外围电路及数字计算基准建立可比较的计算单元能耗，再接入钠离子电池 SOC 与输出功率模型，最终评估“同等能源预算下满足精度和时延要求的有效任务数量”。

登录后可以留言