新神經動力晶片如何實現「存算一體」的底層邏輯？

Question

Accepted Answer

新神經動力晶片透過憶阻器多級電導特性與可控電導漂移機制，實現「存算一體」的底層邏輯

北京大學與中國科學院聯合團隊研製的全球首款神經動力學系統晶片，其「存算一體」的底層邏輯，核心在於跳脫傳統馮·諾依曼架構的記憶體與處理器分離模式，轉而利用相變憶阻器（Phase-Change Memristor）本身的多級電導特性與可控電導漂移（Controllable Conductivity Drift, CCD）機制。具體而言，該晶片將神經網絡的權重直接映射到憶阻器的電導狀態，並在同一物理陣列內同步執行矩陣乘累加（MAC）運算與自適應積分步長的原位搜索，從而實現「儲存即計算」，根本上消除了數據在記憶體與處理器間反覆搬運的物理層開銷。
相變憶阻器特性賦予晶片核心運算能力

此款晶片的核心突破在於其對相變憶阻器特性的深度應用。相變憶阻器能夠儲存多個離散的電導狀態，這使得它能夠直接承載神經網絡模型中的權重資訊。更關鍵的是，憶阻器的電導狀態可以被精確控制並發生漂移，這種「可控電導漂移」（CCD）機制，使得晶片能夠在記憶單元內部進行運算。當電流通過憶阻器時，其電導值的變化直接對應了神經網絡中的權重計算，而陣列的架構設計則允許同時進行大規模的矩陣運算，這是一項對傳統計算架構的顛覆。
「儲存即計算」消除記憶牆瓶頸，大幅提升運算效率

傳統的馮·諾依曼架構，由於運算單元與記憶體單元的分離，導致神經動力學計算等需要處理海量中間數據的任務時，數據需要在記憶體和處理器之間頻繁移動，產生所謂的「記憶牆」（Memory Wall）效應，造成顯著的延遲和功耗。新神經動力晶片則透過將運算直接整合到記憶體單元，實現了「儲存即計算」。這項創新繞過了記憶體與處理器之間的數據搬運瓶頸，使得運算速度得以極大提升，並顯著降低了功耗。例如，在針對 190 萬個頂點的高精度大腦皮層表面重建任務中，該晶片僅需 3.85 毫秒至 426 毫秒，相較於 NVIDIA A100 GPU 的 1.83-21.47 秒，速度提升了最高達 478.18 倍，將神經動力學硬體系統推入了「亞 10 毫秒級」的實時運算時代。

閱讀紀錄

隱藏 →

此記錄會在頁面關閉後消失

新神經動力晶片如何實現「存算一體」的底層邏輯？

Loading

你覺得這篇文章有幫助嗎？

有幫助

沒幫助

回報問題

3

0

0

分享給好友