编辑推荐：
本文针对传统卷积神经网络（CNN）硬件实现能效低的问题，报道了一种基于电荷域的紧凑型低功耗混合信号卷积算子。该研究设计了支持-1至+1多比特权重的电压分压选择电路进行乘法运算，并利用电荷域平均电路顺序完成累加、求和与平均操作。基于180 nm CMOS工艺的版图后仿真表明，该算子能以仅117 μW的功耗在5.12μs内完成32×32灰度图像的卷积处理，能效高达22154 1b-TOPS/W，与理想处理的相似度达99%，为边缘计算视觉应用提供了高效解决方案。
随着人工智能，特别是卷积神经网络（Convolutional Neural Network, CNN）在图像识别、目标检测等领域的广泛应用，其对计算资源的需求急剧增长。然而，在资源受限的边缘设备上部署复杂的CNN模型面临着巨大的能效挑战。传统的数字电路实现方式虽然精度高，但功耗较大，难以满足移动设备对长时间续航的要求。因此，探索高能效的混合信号或模拟计算方案成为当前研究的热点。电荷域计算作为一种潜在的低功耗技术路径，其核心优势在于利用电荷这一物理量本身进行运算，有望显著降低能量消耗。本研究旨在设计一种高效的电荷域卷积算子，以应对边缘侧智能视觉处理对超高能效的迫切需求。
本研究主要采用了以下几种关键技术方法：首先，设计了基于电压分压与选择电路的乘法器，用于实现多比特权重（范围-1至+1）与模拟输入信号的乘法运算。其次，开发了电荷域平均电路，该电路能够顺序完成乘法结果的累加、求和与平均操作。研究构建了一个支持3x3卷积核的专用卷积算子，并进一步设计了可并行处理30次卷积运算的计算电路。该电路采用180 nm CMOS工艺进行设计与版图实现，并通过后仿真验证其性能。性能评估基于32×32像素的灰度图像处理任务。
Post layout simulation results
版图后仿真结果表明，该电荷域卷积算子处理一幅32×32的灰度图像仅需5.12微秒（μs）。在如此高的处理速度下，其功耗仅为117微瓦（μW）。通过计算得出的能效指标高达22154 1b-TOPS/W（1-bit Tera-Operations Per Second per Watt），这一定义特指每瓦特功率下每秒可完成的1比特操作次数，是衡量硬件能效的关键指标。此外，将电路输出与理想卷积处理结果进行比较，其相似度（similarity）达到了99%，证明了该混合信号方案在保持高计算精度的同时，实现了极低的能量消耗。
本研究成功设计并验证了一种紧凑、低功耗的电荷域卷积算子。该算子通过混合信号方法在电荷域内高效地完成了CNN中的核心卷积运算。实验数据证实，该方案在180 nm CMOS工艺下能够实现极高的能效（22154 1b-TOPS/W）和接近理想的处理精度（99%相似度）。这项工作为在资源严格的边缘计算场景中部署复杂的CNN模型提供了一种可行的硬件解决方案，显著推进了低功耗模拟计算在人工智能前端处理中的应用。该成果发表于《IEEE Access》，展示了电荷域计算在下一代高能效智能芯片中的巨大潜力。
