芯耀
310
存內計算由于突破傳統(tǒng)馮·諾依曼架構瓶頸，實現了存儲單元與邏輯單元的融合，成為實現智能計算的主要技術路線之一，受到業(yè)界龍頭企業(yè)的高度重視。在近日召開的國際固態(tài)半導體電路會議（ISSCC）上，SK海力士發(fā)表了基于GDDR接口的DRAM存內計算，臺積電共發(fā)表（或合作發(fā)展）6篇有關存內計算存儲器IP的論文。隨著人工智能對高性能、低功耗處理需求的不斷增強，存內計算的開發(fā)進程必將不斷加快，并走向現實應用。
存內計算受關注，龍頭企業(yè)重點布局
ISSCC一向是半導體產業(yè)界展示最新研發(fā)成果的平臺之一，在今年的發(fā)布重點中，存內計算無疑位列其中。SK海力士發(fā)表存內計算的開發(fā)成果——基于GDDR接口的DRAM存內計算，并展示了其首款基于存內計算技術產品——GDDR6-AiM的樣本。
SK海力士表示，GDDR6-AiM是將計算功能添加到數據傳輸速度為16Gbps的GDDR6內存產品中。與傳統(tǒng)DRAM相比，將GDDR6-AiM 與CPU、GPU相結合的系統(tǒng)可在特定計算環(huán)境中將計算速度提高16倍。此外，由于存內計算在運算中減少了內存與CPU、GPU間的數據傳輸往來，大大降低了功耗，GDDR6-AiM可使功耗降低80%。SK海力士解決方案開發(fā)擔當副社長安炫表示：“基于具備獨立計算功能的存內計算技術，SK海力士將通過GDDR6-AiM構建全新的存儲器解決方案生態(tài)系統(tǒng)。”
臺積電在存內計算研發(fā)方面的投入也很大。在本屆ISSCC上，臺積電共合作發(fā)表了6篇關于存內計算存儲器IP的論文，其中一篇的作者全部來自臺積電，其余5篇則是臺積電和其他高校合作。臺積電獨立發(fā)表的SRAM論文基于5nm工藝，可以在不同計算精度下實現高計算密度和能效比。
事實上，三星、IBM、東芝、英特爾等半導體大廠在存內計算方面也早有布局。三星日前在頂級學術期刊Nature上發(fā)表全球首個基于MRAM的存內計算研究，基于28nm CMOS工藝的MRAM陣列進行存內計算的開發(fā)，所構建的新型MRAM陣列用于運行手寫數字識別和人臉檢測等AI算法，準確率分別達到98%和93%。
國內廠商方面，阿里達摩院、知存科技、Myhtic等也以AI為契機，積極進行特定領域、特定功能的AI存算一體芯片開發(fā)。去年5月，Myhtic宣布完成C輪7000萬美元融資。去年6月，知存科技宣布完成億元A3輪融資。
AI應用拉動需求，邁入產品化前夜
隨著人工智能應用的爆發(fā)，業(yè)界迫切需要一項技術來解決傳統(tǒng)馮·諾依曼架構存在的算力瓶頸與高功耗問題。這也是一眾半導體大廠關注存內計算的主要原因。
對此有業(yè)內專家告訴記者，當前主流的計算架構均采用馮·諾依曼架構，其存在兩個固有問題：即所謂的內存墻問題和功耗墻問題。馮·諾依曼架構的計算單元與存儲單元分置，之間用數據總線連接，運算過程中就需要使數據在處理器與存儲器之間進行頻繁遷移，這一過程產生的功耗極為巨大，甚至比真正用于數據處理所產生的功耗還要高上百倍。內存墻則是指目前的CPU運算速度比存儲器的數據存取速度快得多，存儲器成為制約數據處理速度提高的主要瓶頸?，F在的人們應對這個問題的主要方法是提高內存的處理速度或加大數據傳輸帶寬，但這些都不能從根本上解決問題，開發(fā)一種將存儲單元與處理單元完全整合的處理器方案，就成為解決這一問題的終極方案。
SK海力士定制設計項目負責人Dae-han Kwon 也指出：“對于 RNN（循環(huán)神經網絡）等內存受限的應用程序，當應用程序在DRAM中使用計算電路執(zhí)行時，性能和功率效率有望顯著提高?？紤]到要處理的數據量將大幅增加，存內計算有望成為改善當前計算機系統(tǒng)性能極限的有力候選者。”
正是在人工智能特別是邊緣AI應用需求的推動下，存內計算的產品化開發(fā)進程也在加快。根據北京大學信息科學技術學院微納電子學系副教授葉樂的介紹，存內計算技術大概率會實現產品化。目前基于SRAM的存內計算，已經進入到產品化的前夜，有望率先在可穿戴設備、智能手機等智能物聯網AIoT領域應用，估計1到2年就有望看到產品級的SRAM存內計算芯片實現商業(yè)化落地。在此之后，存內計算芯片會逐漸往更大算力的應用領域滲透?；贛RAM的存內計算則會稍微滯后一些，這主要跟工藝可獲得性有關?；贒RAM的存內計算芯片，有可能需要更長的時間才會落地，原因在于DRAM存內計算適用于大算力AI芯片，因此還需要解決其他一系列的技術難題，例如陣列間的互連和架構問題等。此外，大算力芯片，往往對通用性和可編程性要求更高，因此對于大算力芯片，架構需要更多的考慮通用性和可編程性，并且軟硬件協(xié)同設計、編譯器等工具鏈的重要性和難度也更為突出。
葉樂強調，不同應用場合對存內計算的需求也不同，消費電子、物聯網終端、邊端計算、云端計算對功耗、能效、算力密度、Bit精度、絕對算力、成本、是否需要非易失性等方面的側重點和側重程度各不相同，因此各類存內計算技術，均會有發(fā)展的必要性。
生態(tài)搭建存挑戰(zhàn)，存內邏輯是方向
盡管存內計算的商業(yè)化進程不斷臨近，但在開發(fā)與應用中存在的挑戰(zhàn)也不容忽視。業(yè)內專家指出，相較于傳統(tǒng)處理器，存內計算本身就是一門非常復雜的、技術壁壘極高的設計方法，屬于需要多年經驗積累、大量資源以及時間投入才能實現的尖端領域。而更大的挑戰(zhàn)還涉及到相關產業(yè)生態(tài)的整合，其中面臨的挑戰(zhàn)更加復雜。
在馮·諾依曼架構下，處理器與存儲器是分別獨立發(fā)展的，經過這么多年均已各自形成獨立的產業(yè)生態(tài)，從設計到制造再到軟件都已相當完備。而存內計算要想發(fā)展起來，實際是要將兩個獨立的生態(tài)整合到一起，其中所需投入的精力和資源是非常巨大的。
盡管存內計算面臨技術開發(fā)與產業(yè)生態(tài)的雙重挑戰(zhàn)，但是其整體發(fā)展趨勢依然被看好。葉樂指出，存內計算將是大勢所趨，只有這種革命性的徹底的架構革新，才能真正解決內存墻和功耗墻的問題。從技術趨勢上看，存算一體芯片將循著近存儲計算、內存儲計算、內存執(zhí)行計算的技術路線發(fā)展。
此外，基于哪類存儲進行存內計算設計也是開發(fā)重點之一。此次Sk海力士便基于DDR進行開發(fā)的，臺積電則是基于SRAM。對此專家指出，目前開發(fā)者的研究之所以多是基于SRAM展開，一方面是因為SRAM比較容易獲得，SRAM在標準CMOS工藝下即可得到，流片門檻較低。另一方面則因SRAM的存取速度是所有主流存儲器中最接近CPU的，基于它進行存內計算開發(fā)，最容易解決內存墻問題。但是SRAM也存在芯片成本高、面積大的問題。更重要的是，SRAM屬易失性存儲器，斷電后數據無法保存，還要把數據傳輸到其他NAND Flash等存儲器當中，并不能從根本上解決功耗問題。NAND閃存等非易失性存儲器可以保存處理后的數據，還具有成本低、容量大等優(yōu)勢，但是NAND閃存的存取速度慢，依然限制著未來存內計算芯片的速度。
因此，專家認為，對于那些投入存內計算開發(fā)的半導體大廠來說，將來更大的可能是基于新型存儲器如MRAM、ReRAM等，做存內計算的開發(fā)。此類新型存儲器一些性能上的優(yōu)勢是傳統(tǒng)存儲器所不具備的。當然，專家也指出，當前業(yè)界開發(fā)的新型存儲技術工藝還不成熟，以之為基礎進行存內計算或會需要的研發(fā)更長時間。
作者丨陳炳欣
編輯丨連曉東
美編丨馬利亞
