如果电子设备通常试图排出的热量，也能做有用的工作，会怎样？
这正是由 MIT 卫士纳米技术研究所研究人员领导的一支团队所提出的一种新型模拟计算方法的出发点。研究人员不再把废热当作不需要的副产物，而是把它本身作为信息载体。
在原始报告所描述的系统中，输入数据并不是以电的二进制值编码，而是表示为一组基于设备中已经存在的热量的温度。这样的热信息会在微观硅结构中传递，而这些结构的几何形状由一种基于物理的优化算法设计。由此产生的热量分布和流动完成了计算，而输出则以另一端收集到的功率来表示。
这与传统逻辑形成了鲜明的反转。如今大多数计算系统依赖电力运行，然后又为其产生的热量所困扰。这项工作提出，某些类型的计算是否可以借助这些热量来完成，从而在特定应用中减少额外能量输入的需求。
研究人员演示了机器学习中使用的一项核心操作
研究团队利用这些硅结构执行了一种简单的矩阵向量乘法，这是一项位于机器学习系统核心的数学运算，包括大语言模型在内。根据原文，在许多情况下，其结果的准确率超过了 99%。
这种准确性值得注意，因为矩阵运算正是许多 AI 工作负载中占主导地位的那类重复性线性代数运算。原则上，任何能够高效执行这些运算的新方法都会受到关注。但研究人员并没有夸大他们所构建的东西。
原始报告明确指出，这项技术距离扩展到现代深度学习所使用的那种庞大系统还差得很远。把数百万个这样的热结构拼接在一起将带来巨大的工程挑战。随着矩阵变得更复杂，以及输入和输出端之间的距离增加，准确性也会下降。
因此，这并不是数字 AI 加速器的短期替代品。更合适的理解是，它证明了热模拟计算可以在受限条件下变得真实且准确。
为什么基于热量的模拟计算值得关注
它的吸引力在于能源逻辑。如果设备本来就在产生热量，而这些热量又能被用来执行传感或信号处理任务，那么部分计算负担就可以转移到现有的物理副产物上，而不必再额外消耗电能。
这在边缘设备、嵌入式电子设备以及热管理本来就是重要设计考量的系统中可能尤其重要。芯片或许可以直接把热流作为某些任务的运行基底，而不是再增加额外电路去测量或处理与温度相关的信息。
原始报告特别强调了一个最直接的可能性：热传感。研究人员表示，这项技术可以帮助检测有问题的热源，并在不额外耗能的情况下测量电子设备中的温度变化。它还可以减少多个温度传感器的需求，而这些传感器会占用宝贵的芯片面积。
这或许会成为更现实的首个应用。革命性的计算范式最早的价值，往往不是替代主流处理器，而是以比现有工具更好的方式解决一个更窄、更紧迫的问题。
