設備差異是模擬計算內存（ACIM）系統面臨的一個根本性挑戰。我們沒有將其視為錯誤，而是將其戰略性地利用為計算多樣性的來源。我們通過在同一ACIM芯片上編程兩個低精度深度神經網絡（DNN）副本來利用這種由自然過程引起的差異。然后，通過一種軟投票機制來匯總它們的輸出，以獲得更可靠的預測結果。為了量化系統級別的權衡，我們擴展了NeuroSim V1.4框架，以同時評估準確性、面積、延遲和能耗。在VGG-8/CIFAR-10數據集上，當導電率變化從0.05增加到0.25時，4位模型的集成精度相對于4位單一模型（SM）提高了0.46個百分點（pp）。值得注意的是，在σ為0.05時，集成模型的精度甚至超過了無差異基線0.303個百分點。與8位SM基線相比，當σ≥0.10時，4位模型的集成精度可以與其相當或更高，在σ為0.25時，精度提高了1.28個百分點。使用基于SRAM的ACIM架構進行的硬件評估表明，兩個副本的集成模型芯片面積比8位基線小9.0%，但延遲增加了30%，能耗增加了2.1%。我們進一步觀察到，在RRAM和FeFET基ACIM中，其準確性與其非理想特性之間存在一致的權衡關系。