4.2 存储器内计算与交叉开关阵列

4.2 存储器内计算与交叉开关阵列

本节摘要：本节讲"把权重压进计算格"的硬件——存储器内计算的动机、交叉开关阵列怎么让一次乘加在一个交叠节点就地完成，以及它的能力边界。读完你能画出一个最小的交叉开关做一次矩阵向量乘。

这是全册"硬件省账"的明星招式。第 4.1 节立了存算一体的原则，本节给它的具体身形——交叉开关阵列。你要算的是"权重矩阵 × 输入向量"，传统要搬权重到寄存器再算，这里干脆让权重直接躺在每根横纵线的交叠点上，一次过电就出结果。读它前最好懂向量-矩阵乘（第 3 章 SNN 的累积就是干这个），读懂后你会明白第 4 章这么多芯片为它兴师动众的原因。

一、动机：把"搬运"从账单上删掉

一次"加权求和"（SNN 里每个神经元都在做）本质是向量点积：把输入乘上对应权重再累加。传统做法要先把权重从内存搬到计算单元，算完再写回——前面讲过的"搬运"在这一步反复发生。存储器内计算反着来：权重值本身就是存储器的状态（如一个电阻的电导），输入电流一带，欧姆定律就地产出"权重乘输入"的积，再沿竖线电流累加就是"求和"。 一次乘加，物理上就发生在存储那个交叠点，全程不搬权重。

二、交叉开关怎么算一次乘加

下图是一个 4×4 的迷你交叉开关：每根横线（字线）送一个输入电压，每根竖线（位线）收集一个输出电流。交点处是"权重存储单元"——其电导值就是权重 w。输入 v_i 流经权重单元，产生电流 v_i * w_ij，在同一根竖线上按基尔霍夫电流定律相加，就是该输出神经元本次的累积输入。

一件事：这就是 SNN 里那个神经元"累积输入脉冲"的硬件化身。 你不再需要"先把权重搬来再逐项乘"，交叉开关把"乘 + 加"压缩进一次过电——旧账（搬运）从账单上被撕掉。

三、为什么这招这么香，又这么难

香的账：矩阵向量乘一次并行完成 O(N) 次输出，吞吐高，且能量高度集中在真实计算上，对训练/推理稀疏场景收益巨大。难在好几处：

• 权重存在"电阻/电导"等模拟值里，模拟乘加的精度受器件漂移与噪声限制，只能做到低精度（常是 4-8 bit），高精度任务吃亏；
• 交叉开关的多条竖线电流互相串扰（IR drop），规模一大幅射又差；
• 器件本身的"改写寿命"有限（见下节非易失器件）。

这三条难点正好解释了一个现象：为什么存算一体在"推理"（权重烧死、只读不改）上比在"训练"（要反复改写权重，精读精写）上成熟得多。推理时器件只需被动提供稳定的电导值，工程上容错空间大；训练则要求同一批器件经受大量改写还能保持精度，这对器件一致性、寿命和写入算法都提出高得多的要求——所以你会发现多数存算芯片先主打推理，训练是更远的攻坚目标。读这节时记住"推理易、训练难"这个分化，你对接后续部署和器件章节时会更有预判。

四、和普通存储账放在一起

⚠️ 注意一个惯用伎俩：有的宣传把"交叉开关"和"成品芯片"混为一谈。交叉开关是"计算引擎的一种"，还差控制、路由、学习、输入输出交付才成芯片。看宣传时要分清它说的是"引擎"还是"整机"。

💡 关键直觉：交叉开关是把"乘法表"刻在电路电阻里。你在训练时算好的权重，最终就是烧录成这些电阻/电导值——读取、改写、漂移，全都在这张表上。

五、用手笔算一遍 2×2 交叉开关

别让"交叉开关"停在抽象名词上，拿最小的 2×2 走一遍你就有手感。设输入向量是 (v1=2, v2=3)，两根横线各送一个电压；权重矩阵写进四个交点，比如 w11=0.5、w12=1、w21=−0.2、w22=0.8。现在沿左起竖线看：v1 流过 w11 产生 2×0.5=1，v2 流过 w21 产生 3×(−0.2)=−0.6，两者在同一根竖线上按电流定律相加，得到该输出神经元本次累积输入 = 0.4。再看右一路竖线：v1×w12=2×1=2，v2×w22=3×0.8=2.4，相加得 4.4。于是这次"输入 × 2×2 权重矩阵"的向量乘，在两根竖线上**同时**产出两个结果，整个过程没有把任何一个权重搬去别处——乘积由元件本性的欧姆定律就地给出。

把这个例子放大到神经网络的真实尺度，逻辑完全一样：一个全连接层有 N 个输入、M 个输出，就对应一个 N×M 的交叉开关——N 根横线送输入，M 根竖线收输出，M 个神经元的累积输入在同一次过电里集体算完。所以交叉开关的威力不只是"省一笔搬运"，更是把一整个矩阵乘法压成单次批量过电，吞吐高得惊人。这也解释了为什么部署神经形态时，最常优化的就是"怎么把一个训练好的网络，按行列映射成若干块交叉开关"——映射得好，一次过电能算大半个网络；映射得差，就得多次切分、反复过电，省账就打折扣。

再点一句你能带走的判读：下次看到某款存算芯片的概要，先看它"一根交叉开关做多大块、多少 bit 精度、用什么器件当交点权重"。三个数字一报，你立刻能估它单次过电能并行的规模、能接受的精度、以及耐久性如何——这比一味的"亿级神经形态"商标可靠得多。

但交叉开关只做完了"累积"半步。 别忘了第 3.1 节那个 LIF 神经元完整的流水是"累积—越阈—放电—复位"。交叉开关高效完成了"累积"（把输入加权求和算出），可它本身并不负责后面"判阈、放电、复位、向下一层发尖峰"这几步——那些由交叉开关竖线出口外挂的"外围神经元电路"（比较器、法理模块、事件打包）来完成。于是你会看到真实芯片里，存算阵列是被一圈"外围电路"包围的：阵列负责海量乘加，外周负责把每次累积结果判越阈、决定要不要发尖峰、再把尖峰路由给下一层对应的横线。理解这个"阵列管算、外挂管神经时序"的分工，你就明白了为什么交叉开关必须和下一节要讲的控制、路由、学习一起谈——它只是神经形态引擎的心脏，不是整台机器。

存算账结清

• 存算一体=搬账离开账单：权重存在交点，乘加就地完成。
• 交叉开关=横输入纵输出：电压×电导、同行电流加总得输出累积。
• 质优三问：吞吐高、能量集中、适配稀疏；精度受器件限制。
• 交叉开关≠整芯片：还缺控制、路由、学习与交付。