阻變存儲器存算一體芯片研究取得進展

　　邊緣端人工智能（AI）硬件憑借其低延遲、高能效和強隱私性等優勢，得到廣泛關注與應用。在功耗嚴格受限的邊緣端部署AI硬件，不僅需要高能效以滿足功耗約束，還需要高并行度以提升實時性能。基于阻變存儲器（RRAM）的存算一體和近閾值計算作為兩種高效能計算范式，有望在實現高能效、高并行的AI硬件中發揮關鍵作用。然而，受工藝波動的影響，這兩種計算范式的規模與可擴展性仍面臨挑戰。此外，如何有效結合這兩種范式以開發低功耗、高并行的AI硬件，目前仍缺乏深入研究。

　　針對上述問題，中國科學院微電子研究所研究員竇春萌團隊設計并實現了一款基于近閾值計算的RRAM存算一體芯片。研究人員利用雙晶體管單阻變存儲器（2T1R）單元，將RRAM的阻變特性轉化為閾值電壓調控特性，提出RRAM-CMOS閾值電壓失配抵消技術，有效抑制了長期困擾兩種計算范式的工藝波動問題。針對網絡模型多比特乘累加運算的需求，團隊提出了基于電荷堆疊的新型電荷域計算技術，實現了一種采樣、加權與量化一體化模數轉換電路，顯著降低了外圍電路的功耗與面積開銷。團隊在多核存算一體系統中引入了核間混合精度控制技術，通過對神經網絡各層數據特征進行分析，為每個計算核心配置優化的累加與量化方法，實現了任務級推理功耗的高效優化。

　　基于上述設計，團隊成功流片驗證了具有16個計算核心的近閾值RRAM存算一體芯片。該芯片可實現256通道累加的高并行模擬計算，平均相對標準差低至2.4%，計算能效可達55.21至88.51 TOPS/W。該研究展示了高能效、高并行近閾值RRAM存算一體技術，為邊緣AI硬件的發展提供了新思路。

　　近期，相關研究成果以A near-threshold memristive computing-in-memory engine for edge intelligence為題，發表在《自然-通訊》（Nature Communications）上。

（a）芯片顯微照片、關鍵結構和近閾值計算方案；（b）RRAM-CMOS閾值電壓失配抵消技術；（c）采樣、加權與量化一體化模數轉換技術；（d）核間混合精度控制技術