存算一體作為一種新型架構(gòu),將數(shù)據(jù)存儲和計算融合一體化,有望突破算力與功耗瓶頸。存內(nèi)計算可分為模擬和數(shù)字兩大類別。接下來我們將重點介紹數(shù)字存內(nèi)計算與模擬存內(nèi)計算及其優(yōu)劣。
一.數(shù)字存內(nèi)計算
數(shù)字存內(nèi)計算利用全數(shù)字電路執(zhí)行計算,指將數(shù)字邏輯集成到存內(nèi)計算中,能夠?qū)⒅鹞粩?shù)字乘積累加運算直接集成到存儲器陣列。由于數(shù)字存內(nèi)計算結(jié)構(gòu)上對乘積累加計算有良好的支持,在神經(jīng)網(wǎng)絡(luò)需求的運算場景中應(yīng)用潛力巨大,如智能手表、藍牙耳機中的語音處理,智能手機中的神經(jīng)網(wǎng)絡(luò)運算加速,模型訓(xùn)練加速卡等。
數(shù)字存內(nèi)計算的主要優(yōu)勢就是存儲器中權(quán)重可更換、高帶寬以及高魯棒性,但面積和功耗開銷都比較大,適用于高精度、對功耗等要求不高的應(yīng)用場景。
圖 1 數(shù)字存內(nèi)計算核結(jié)構(gòu)[1]
以ISSCC 2022中的文獻[1]中展示的數(shù)字存內(nèi)計算總體結(jié)構(gòu)為例,解釋數(shù)字存內(nèi)計算的運算方式,其結(jié)構(gòu)如圖1所示。
該運算核結(jié)構(gòu)由64個如圖中頂層所示的MAC array構(gòu)成。在每一個MAC array中,存儲器存儲權(quán)重數(shù)據(jù)(圖1中左側(cè)12T bitcell array部分),乘法器計算輸入數(shù)據(jù)與權(quán)重數(shù)據(jù)的元素乘積結(jié)果,加法器樹計算元素乘積結(jié)果的和(圖中4b×1b multiplier & 6 stages adder tree部分),移位累加器將加法器樹計算得到的結(jié)果移位累加(圖中Bit shifter & accumulator部分)。
運算核計算64×1的4bit輸入向量XIN[63:0][3:0]與64×64的4bit權(quán)重矩陣的內(nèi)積結(jié)果,其結(jié)果為一列64×1的14bit向量NOUT[63:0][13:0]。計算過程為:權(quán)重矩陣的權(quán)重信息被拆分為64個64×1的4bit權(quán)重向量存儲在每一層MAC array的存儲器中,寫入過程受到WA[7:0]信號控制,每次寫入向量中一個元素的4bit信息D[4:0],一共64個MAC array,一次需要寫入D[255:0]。輸入向量受XINSEL[3:0]控制按比特由高到低依次輸入,每個時鐘周期計算一個輸入比特64 XINLBs與權(quán)重向量256 RBLBs的元素乘積,并求和,將四個周期的結(jié)果移位累加便得到該MAC array的權(quán)重向量與輸入向量的內(nèi)積,將每層MAC array的結(jié)果組成為一個向量,即為NOUT[63:0][13:0]。
據(jù)悉已有基于數(shù)字存內(nèi)計算的產(chǎn)品產(chǎn)出。后摩于2023年5月推出鴻途?H30,該芯片基于SRAM存儲介質(zhì),據(jù)其官網(wǎng)信息,該產(chǎn)品擁有極低的訪存功耗和超高的計算密度,在Int8數(shù)據(jù)精度條件下,其AI核心IPU能效比高達15Tops/W,是傳統(tǒng)架構(gòu)芯片的7倍以上,暫未落地到市場化應(yīng)用實測性能。
二.模擬存內(nèi)計算[2]
不同于前述的數(shù)字存內(nèi)計算,模擬存內(nèi)計算主要基于物理定律(歐姆定律和基爾霍夫定律),在存算陣列上實現(xiàn)乘積累加運算。對于模擬存內(nèi)計算,其存內(nèi)計算電路的計算模式通過定制模擬計算電路模塊來實現(xiàn),通過這些模擬計算電路與存儲單元的結(jié)合來實現(xiàn)高能效存內(nèi)計算,一般使用RRAM(阻變隨機存儲器,又名憶阻器)和Flash(閃存)。
模擬存內(nèi)計算面積、功耗等開銷小,能量效率高,但是缺乏準確性,適用于需要低功耗、對精度要求不高的應(yīng)用場景。
下面以RRAM為例,來描述模擬存內(nèi)計算的原理。
憶阻器電路可以做成陣列結(jié)構(gòu),如下圖2所示,與矩陣類似,利用其矩陣運算能力,可以廣泛應(yīng)用于人工智能推理場景中。在推理過程中,通過輸入矢量與模型的參數(shù)(也即權(quán)重)矩陣完成乘加運算,便可以得到推理結(jié)果。
圖 2 3×3交叉陣列的模擬型憶阻器[3]
圖 3 交叉陣列進行矩陣乘加運算示意圖[4]
關(guān)于矩陣乘加運算,如上圖3所示,將模型的輸入數(shù)據(jù)設(shè)為矩陣[V],模型的參數(shù)設(shè)為矩陣[G],運算后的輸出數(shù)據(jù)設(shè)為矩陣[I]。運算前,先將模型參數(shù)矩陣按行列位置存入憶阻器(即[G]),在輸入端給定電壓值來表示輸入矢量(即[V]),根據(jù)歐姆定律,便可在輸出端得到對應(yīng)的電流矢量,再根據(jù)基爾霍夫定律將電流相加,即得到輸出結(jié)果(即[I])。此外,多個存算陣列并行,便可完成多個矩陣乘加計算。
目前模擬存內(nèi)計算研究已經(jīng)有了很多成果。例如,2023年10月,清華錢鶴、吳華強帶領(lǐng)團隊創(chuàng)新設(shè)計出適用于RRAM存算一體的高效片上學(xué)習(xí)的新型通用算法和架構(gòu)(STELLAR),研制出全球首顆全系統(tǒng)集成的、支持高效片上學(xué)習(xí)的RRAM存算一體芯片,該成果已發(fā)表在《Science》上。此外,基于Flash的模擬存內(nèi)計算也是研究重點。2022年,國內(nèi)的知存科技率先量產(chǎn)商用WTM2101芯片,結(jié)合了RISC-V指令集與NOR Flash存內(nèi)計算陣列,使用特殊的電路設(shè)計抑制閾值電壓漂移對計算精度的影響,可實現(xiàn)低功耗計算與低功耗控制,其陣列結(jié)構(gòu)與芯片架構(gòu)如圖4所示,包括1.8 MB NOR Flash存內(nèi)計算陣列,一個RISC-V核,一個數(shù)字計算加速器組,320 kB RAM以及多種外設(shè)接口[5]。WTM2101芯片適配低功耗AIoT應(yīng)用,可使用微瓦到毫瓦級功耗完成大規(guī)模深度學(xué)習(xí)運算,可應(yīng)用于智能語音、智能健康等市場領(lǐng)域,目前已完成批量生產(chǎn)和市場應(yīng)用。此外,知存科技也推出了WTM-8系列產(chǎn)品芯片,這是針對視頻增強處理的一款高性能低功耗的存算一體AI處理芯片,采用第二代3D存內(nèi)計算架構(gòu),為全球首粒端側(cè)大算力存算一體芯片,即將量產(chǎn),具備高算力、低功耗、高能效、低成本的核心優(yōu)勢,應(yīng)用于1080P-4K視頻的實時處理和空間計算[6]。WTM2101和WTM-8的主要產(chǎn)品性能如下表1所示, 未公開的數(shù)據(jù)用“-”表示,請酌情采信。
備注:用于智能可穿戴設(shè)備的高算力低功耗定位,主要應(yīng)用于智能語音和智能健康
定位為移動設(shè)備計算視覺芯片,具有4核高精度存內(nèi)計算,支持linux,支持AI超分、插幀、HDR、識別和檢測,應(yīng)用于1080P-4K視頻實時處理和空間計算
圖 4 WTM2101芯片陣列及架構(gòu)[7]
三.二者優(yōu)劣對比分析
數(shù)字存內(nèi)計算與模擬存內(nèi)計算都是存算一體發(fā)展進程中的重點發(fā)展路徑,二者有著不同的優(yōu)缺點與應(yīng)用場景。
數(shù)字存內(nèi)計算主要以SRAM作為存儲器件,采用先進邏輯工藝,具有高性能高精度的優(yōu)勢,且具備很好的抗噪聲能力和可靠性,可以避免由于工藝變化、數(shù)據(jù)轉(zhuǎn)換開銷和模擬電路的可縮放性差而導(dǎo)致的不準確,因此更適合大規(guī)模高計算精度芯片的實現(xiàn)。然而,數(shù)字存內(nèi)計算單位面積功耗高,在功率和面積等方面都遇到了新的問題,比如一個一般的CMOS全加器單元就需要28個晶體管,面積和功耗開銷都比較大。綜上,數(shù)字存內(nèi)計算更適用于高精度、對功耗不敏感的大算力計算場景,比如云邊AI場景。
模擬存內(nèi)計算通常以RRAM、Flash等非易失性介質(zhì)作為存儲器件,存儲密度大,并行度高,面積、功耗等開銷小,成本較低,能量效率高。但是模擬存內(nèi)計算對環(huán)境噪聲和溫度非常敏感,由于晶體管變化和ADC(模數(shù)轉(zhuǎn)換器)等的影響,SNR(信噪比)不足,模擬存內(nèi)計算往往缺乏準確性,更適用于低功耗、功能靈活性要求不高、對精度要求不高的高能效小算力應(yīng)用場景,如端側(cè)可穿戴設(shè)備等[8]。兩種存內(nèi)計算模式的優(yōu)劣對比如下表2所示。
總而言之,數(shù)字存內(nèi)計算與模擬存內(nèi)計算各有優(yōu)劣,都是存算一體發(fā)展進程中的重點發(fā)展路徑,數(shù)字存內(nèi)計算由于其高速、高精度、抗噪性強、工藝技術(shù)成熟、能效比高等特點,更適用于大算力、云計算、邊緣計算等應(yīng)用場景;模擬存內(nèi)計算由于其非易失性、高密度、低成本、功耗低等特點,更適用于小算力、端側(cè)、需長時待機等的應(yīng)用場景。在如今可穿戴設(shè)備、智能家具、玩具機器人等應(yīng)用走進千家萬戶的背景下,模擬存內(nèi)計算的高能效、小面積、低成本等市場優(yōu)勢逐漸凸顯,比如前面所提到的知存科技WTM2101已率先進入市場規(guī)模化應(yīng)用,在商業(yè)化進程中處于領(lǐng)先地位,且更高算力WTM-8系列即將量產(chǎn),在端側(cè)AI市場具有極大的應(yīng)用潛力。
不論是數(shù)字存內(nèi)計算還是模擬存內(nèi)計算,目前都面臨各自的一些挑戰(zhàn),比如編程模型的復(fù)雜性、硬件設(shè)計的復(fù)雜性、硬件系統(tǒng)的可靠性等等,但隨著研究人員的不斷努力,這些難題將逐步得到解決,存內(nèi)計算芯片的未來將大有可期。
參考文獻
[1] Yan B, Hsu J L, Yu P C, et al. A 1.041-Mb/MM 2 27.38-TOPS/W signed-INT8 dynamic-logic-based ADC-less SRAM compute-in-memory macro in 28nm with reconfigurable bitwise operation for AI and embedded applications[C]//2022 IEEE International Solid-State Circuits Conference (ISSCC). IEEE, 2022, 65: 188-190.
[2][4] 存算一體白皮書(2022年),中國移動通信有限公司研究院.
[3] 針對憶阻器的工作原理和發(fā)展的研究-知乎.
[5][7] 郭昕婕,王光燿,王紹迪.存內(nèi)計算芯片研究進展及應(yīng)用[J].電子與信息學(xué)報,2023,45(05):1888-1898.
[6] 知存科技官網(wǎng) (witintech.com).
[8] Chih Y D, Lee P H, Fujiwara H, et al. 16.4 An 89TOPS/W and 16.3 TOPS/mm 2 all-digital SRAM-based full-precision compute-in memory macro in 22nm for machine-learning edge applications[C]//2021 IEEE International Solid-State Circuits Conference (ISSCC). IEEE, 2021, 64: 252-254.
審核編輯 黃宇
-
存儲器
+關(guān)注
關(guān)注
38文章
7365瀏覽量
163085 -
模擬
+關(guān)注
關(guān)注
7文章
1416瀏覽量
83824 -
矩陣運算
+關(guān)注
關(guān)注
1文章
5瀏覽量
7460 -
RRAM
+關(guān)注
關(guān)注
0文章
26瀏覽量
21317 -
存內(nèi)計算
+關(guān)注
關(guān)注
0文章
28瀏覽量
1348
發(fā)布評論請先 登錄
相關(guān)推薦
評論