黑石创始人：清华大学学者项目已融资2.6亿美元
06-17
作者：Mahendra Pakala，应用材料公司 在物联网、大数据和人工智能（AI）的驱动下，从交通、医疗保健到零售和娱乐等众多行业将迎来下一个时代步。
转型之路被应用材料公司统称为AI计算时代。
在之前的计算时代，大型机/小型机、PC/服务器以及智能手机/平板电脑都受益于摩尔定律的进步，摩尔定律在二维缩放、产品性能、功耗和面积/成本（也称为“PPAC”）方面都受到了摩尔定律的影响。
同时得到改善。
尽管AI时代的各种应用蓬勃发展，但摩尔定律已经放缓；因此，业界需要在2D小型化之外取得突破，以新的方式推动PPAC。
具体来说，我们需要新的计算架构、新材料、新结构（尤其是节省面积的3D结构）以及用于芯片堆叠和异构设计的先进封装。
AI时代的架构变化正在对逻辑和记忆产生影响。
机器学习算法在通用逻辑中广泛使用极其复杂的矩阵乘法运算，这推动了加速器及其存储器的变革。
AI计算由两个不同的内存任务组成：第一个是存储计算的中间结果；第二个是存储计算的中间结果。
第二个是存储与训练模型相关的权重。
性能和功耗对于云计算和边缘计算都很重要，内存创新可以提供帮助。
使用现有内存技术的一种方法是“近内存”，其中大量工作内存被压缩并物理放置在靠近逻辑内存的位置，通过高速接口连接。
例如，3D 堆叠和硅通孔技术正变得越来越流行。
在这些应用中，SRAM 和 DRAM 作为“工作存储器”的一个主要缺点是它们是易失性存储器，需要持续供电才能保留数据（例如重量）。
为了降低云端和边缘的功耗，设计人员正在评估高性能且非易失性的新型存储器，因为它们仅在主动读写时才需要电力。
引领新型存储器的解决方案有三种，分别是磁性RAM（MRAM）、相变RAM（PCRAM）和电阻式RAM（ReRAM）。
上述三种存储器没有使用电荷，而是使用新材料产生不同的电阻率状态，高电阻和低电阻依次代表1和0。
MRAM 利用磁场方向的变化来控制电阻率。
PCRAM 利用材料排列从非晶态到晶态的结构变化。
ReRAM 在材料中创建电流路径。
PCRAM 和 ReRAM 都提供电阻率中间级，可以在每个单元中存储多层数据位。
让我们看看AI时代的计算应用，看看它们如何驱动未来的创新。
图1.AI时代驱动的半导体创新复兴之路。
物联网边缘应用可分为低性能/低功耗应用和高性能/高功耗应用。
例如，使用人工智能算法的安全摄像头非常适合面部和语音识别等应用，但属于低性能/低功耗应用。
设计目标是处理尽可能多的边缘数据并仅将重要信息传输到云端。
由于采样频率低，所以性能要求也低。
功耗（包括待机功耗）至关重要，尤其是对于电池供电的设备。
目前，业界在边缘设备中使用 SRAM 存储器。
SRAM 并不理想，因为每个存储单元需要多达六个晶体管，并且源极泄漏功率可能很高。
在内存重量方面，SRAM的能效并不突出，尤其是在低频设计中使用时。
作为替代方案，MRAM 可确保晶体管密度增加数倍，从而实现更高的存储密度或更小的芯片尺寸。
MRAM 的另一个关键特性是它被设计为适合嵌入式片上系统产品 (SOC) 的后端互连层。
MRAM可用于存储SOC的操作系统和应用程序，无需嵌入闪存芯片，从而减少系统芯片总数和成本。
高性能“近边缘”应用，例如缺陷检测和医学筛查，需要更高的性能。
一种称为自旋轨道扭矩 MRAM (SOT-MRAM) 的 MRAM 变体已被证明在速度和功耗方面可能优于自旋转移扭矩 MRAM (STT-MRAM)。
云计算需要尽可能高的计算性能，并且在训练过程中，需要将大量数据传输到机器学习加速器附近。
相应地，机器学习加速器需要配备大型片上SRAM缓存，并辅以大型片外DRAM阵列——这需要使用持续的电源。
电力使用对于云服务提供商来说非常重要，因为人工智能时代数据将呈指数级增长，而电网电力有限且成本高昂。
PCRAM的功耗和成本低于DRAM，而性能高于固态硬盘和机械硬盘，使其成为云计算架构的首选解决方案。
除了上述“二进制”边缘应用、近边缘应用、云应用的广阔前景外，存储内计算的研究也日益深入。
可以想象在用于机器学习的存储器阵列中执行频繁的矩阵乘法运算。
设计人员正在探索伪交叉点架构，其中权重存储在各个内存节点上。
PCRAM、ReRAM 甚至铁电场效应晶体管 (FeFET) 都是绝佳的候选者，因为它们都具有每个单元多层存储的潜力。
目前，ReRAM 看起来是最适合此类应用的存储器。
可以使用欧姆定律和基尔霍夫定律在阵列内完成矩阵乘法，而无需将权重移入和移出芯片。
多级单元架构可将内存密度提升到新的水平，从而实现更大模型的设计和使用。
要将这些新型模拟存储器变为现实，需要对新材料进行全面的开发和工程设计，应用材料公司目前正在积极探索一些最具代表性的解决方案。
当摩尔定律的指数级发展速度逐渐放缓时，AI时代将迎来数据的指数级增长。
这种压力已经在推动架构、材料、3D 结构以及芯片堆叠和异构集成的先进封装方面的创新。
内存与AI计算引擎的关系越来越密切，最终，内存可能会成为AI计算引擎本身。
随着这些创新的实施，我们将看到性能、功耗和密度（面积/成本）方面的显着改进，并且随着新存储器的优化，边缘、近边缘和云应用程序的需求将最终得到满足。
我们需要硬件的彻底复兴，以释放人工智能时代的全部潜力。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-18
06-08
06-17
最新文章
英特尔收购芯片制造商eASIC，进一步减少对CPU的依赖
西门子携手现代汽车、起亚公司，共同推动交通运输行业数字化转型
行业领导者制定 Open Eye MSA 来帮助实现高速光连接应用
三星电子和 NAVER 合作
意法半导体和 Leti 合作开发 GaN-on-Si 功率转换技术
青岛将大力发展高世代TFT-LCD和Micro LED项目
长电科技参加IMAPS器件封装大会
三星正式发布Exynos 990旗舰处理器