MIT团队突破：利用废热实现模拟计算，为AI硬件开辟新路径
电子设备运行时产生的废热通常被视为需要解决的问题，但麻省理工学院（MIT）的研究团队却从中发现了新的计算潜力。由MIT士兵纳米技术研究所的研究科学家Giuseppe Romano领导的团队，开发出一种不依赖电力的模拟计算方法，将废热转化为信息处理的媒介。这项技术不仅有望为人工智能硬件提供更节能的解决方案，还可能立即应用于电子设备的热源监测。
废热如何成为计算媒介？
传统计算依赖二进制编码（0和1）和电力驱动，而这项新技术采用了完全不同的物理原理。研究团队将输入数据编码为基于设备已有废热的一组温度，而非数字信号。通过精心设计的微小硅结构，热量的流动和分布成为计算的基础。这些结构由团队开发的基于物理的优化算法设计，能够引导热量以特定模式传递，最终在另一端收集的功率代表计算结果。
研究团队使用这种结构执行了矩阵向量乘法——这是大型语言模型等机器学习模型处理信息和做出预测时使用的核心数学技术。在许多测试案例中，该方法的准确率超过99%，证明了其作为计算媒介的可行性。
技术突破与潜在应用
为AI硬件提供节能替代方案
随着人工智能模型规模不断扩大，计算能耗已成为行业面临的严峻挑战。传统的数字计算在矩阵运算中消耗大量电力，同时产生显著废热。MIT的这项研究提出了一种利用废热本身进行计算的逆向思路，有望在未来开发出能效更高的专用AI硬件。
论文第一作者、物理系本科生Caio Silva指出：“大多数时候，在电子设备中执行计算时，热量是废品。人们通常希望尽可能消除热量。但在这里，我们采取了相反的方法，将热量本身作为一种信息形式。”
更直接的监测应用
尽管将这项技术扩展到现代深度学习模型仍面临诸多挑战——例如需要将数百万个这样的结构拼接在一起，以及随着矩阵复杂度增加、输入输出端距离增大时精度下降的问题——但它已展现出更直接的应用前景。
该技术可用于检测电子设备中的问题热源并测量温度变化，而无需消耗额外能量。这不仅能实现更精准的热管理，还能消除当前芯片上占用空间的多温度传感器需求，为芯片设计提供更多灵活性。
行业意义与未来展望
这项研究代表了模拟计算领域的一次重要创新。模拟计算利用连续物理量（如这里的温度）进行处理，与数字计算的离散逻辑形成对比。在AI硬件寻求突破能效瓶颈的背景下，探索非传统计算范式具有战略意义。
关键优势：
- 能量利用：将废热转化为计算资源，实现“废物利用”
- 潜在能效：减少传统计算中的电力消耗
- 集成简化：可能减少芯片上的传感器数量
当前限制：
- 规模化挑战：如何将微观结构扩展到复杂模型所需规模
- 精度保持：在复杂运算中维持高准确率
- 制造可行性：大规模生产此类优化结构的实际成本
这项技术仍处于早期研究阶段，但为AI硬件发展提供了新的思考方向。随着计算需求持续增长，探索基于热、光或其他物理现象的替代计算方式，可能成为突破传统半导体限制的关键路径之一。