新闻 
北大中科院造芯片登上顶刊 比英伟达A100快478倍
北大中科院造芯片登上顶刊 比英伟达A100快478倍北大中科院造芯片登上顶刊 比英伟达A100快478倍
芯东西7月14日报道，7月2日，新基石研究员、北京大学集成电路学院/集成电路高精尖创新中心教授、深圳研究生院信息工程学院院长杨玉超团队，联合中国科学院上海微系统与信息技术研究所宋志棠研究员团队等，在国际顶级学术期刊《科学》发表题为“A sub-10-millisecond neural dynamical system based on phase-change memristors（基于相变忆阻器的亚10毫秒神经动力系统）”的研究成果。
相关团队成功研制出全球首个基于相变忆阻器的毫秒级神经动力学系统芯片，突破了相变型忆阻器长期面临的“可控存内计算”国际难题，首次将神经动力学系统的单步运算时延压缩至2.12毫秒。
实验结果显示，在执行相同神经动力学任务时，该系统相比当前最先进ASIC专用加速器速度提升3.82至36.27倍，功耗降低到7.8%至3.9%；在脑皮层表面重建等高保真脑建模任务中，该系统相比英伟达A100 GPU，速度提升50.38至478.18倍。
北京大学蔡磊博士后（现任北京化工大学讲师）、北京大学陶耀宇助理教授、中国科学院上海微系统与信息技术研究所解晨晨研究员和北京大学闫龙皞博士后为该论文的共同第一作者，杨玉超教授、宋志棠研究员、北京大学朱毅鑫助理教授和陶耀宇助理教授为该论文通讯作者。
《科学》杂志同期针对该研究发表专题观点评述文章（Perspective），高度评价该工作“代表了一种物理驱动计算的理念转变”。相关工作入选“面向2030北京大学重大培育项目”。
该研究得到新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划等支持。
论文链接：https://doi.org/10.1126/science.aee6277
一、利用可控连续电导完成动态迭代计算，兼具高精度与实时性
神经动力学系统将神经网络的表达能力与微分方程的连续演化机制相结合，可以模拟大脑神经活动中的连续变化过程，可被应用于物理世界建模、计算成像等领域。但自其诞生半个世纪以来，这类系统面临一个难题：模型精度越高，计算量越大，想做到实时运行十分困难。
具体而言，神经动力学系统将神经网络的表达能力与微分方程的连续演化机制结合起来，能够从带噪声、不完整的影像数据中恢复平滑、拓扑一致的三维脑结构。但其求解过程需要反复积分、误差控制和自适应步长搜索，计算量巨大，并且在传统冯·诺依曼计算架构中存储与计算分离，神经动力学系统中间变量需要在处理器和存储器之间反复传输，导致延迟和能耗增加。
面对这一难题，杨玉超研究团队从忆阻器器件物理出发，提出了一条以“可控存内计算”为核心的融合创新路线：不是把传统数字电路做得更快，而是换了一条研发路径，用相变存储器本身的物理特性来做计算。
相变存储器具有连续电导演化和多级电导调控能力，其电导状态不仅可以被精细编程，而且能够在特定时间窗口内呈现可预测、可映射、可调控的动态变化。
研究团队利用相变存储器这一特性，将其与神经动力学系统中的自适应积分过程建立对应关系，使器件本身的电导演化不再只是存储状态的变化，而成为可被精确利用的原位计算过程。
基于这一发现，该团队提出细粒度可控电导演化机制，将有效积分步长直接编码为相变存储器的电导状态，并利用器件自身物理演化完成自适应步长搜索。
[物价飞涨的时候 这样省钱购物很爽]
好新闻没人评论怎么行，我来说几句
相关团队成功研制出全球首个基于相变忆阻器的毫秒级神经动力学系统芯片，突破了相变型忆阻器长期面临的“可控存内计算”国际难题，首次将神经动力学系统的单步运算时延压缩至2.12毫秒。
实验结果显示，在执行相同神经动力学任务时，该系统相比当前最先进ASIC专用加速器速度提升3.82至36.27倍，功耗降低到7.8%至3.9%；在脑皮层表面重建等高保真脑建模任务中，该系统相比英伟达A100 GPU，速度提升50.38至478.18倍。
北京大学蔡磊博士后（现任北京化工大学讲师）、北京大学陶耀宇助理教授、中国科学院上海微系统与信息技术研究所解晨晨研究员和北京大学闫龙皞博士后为该论文的共同第一作者，杨玉超教授、宋志棠研究员、北京大学朱毅鑫助理教授和陶耀宇助理教授为该论文通讯作者。
《科学》杂志同期针对该研究发表专题观点评述文章（Perspective），高度评价该工作“代表了一种物理驱动计算的理念转变”。相关工作入选“面向2030北京大学重大培育项目”。
该研究得到新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划等支持。
论文链接：https://doi.org/10.1126/science.aee6277
一、利用可控连续电导完成动态迭代计算，兼具高精度与实时性
神经动力学系统将神经网络的表达能力与微分方程的连续演化机制相结合，可以模拟大脑神经活动中的连续变化过程，可被应用于物理世界建模、计算成像等领域。但自其诞生半个世纪以来，这类系统面临一个难题：模型精度越高，计算量越大，想做到实时运行十分困难。
具体而言，神经动力学系统将神经网络的表达能力与微分方程的连续演化机制结合起来，能够从带噪声、不完整的影像数据中恢复平滑、拓扑一致的三维脑结构。但其求解过程需要反复积分、误差控制和自适应步长搜索，计算量巨大，并且在传统冯·诺依曼计算架构中存储与计算分离，神经动力学系统中间变量需要在处理器和存储器之间反复传输，导致延迟和能耗增加。
面对这一难题，杨玉超研究团队从忆阻器器件物理出发，提出了一条以“可控存内计算”为核心的融合创新路线：不是把传统数字电路做得更快，而是换了一条研发路径，用相变存储器本身的物理特性来做计算。
相变存储器具有连续电导演化和多级电导调控能力，其电导状态不仅可以被精细编程，而且能够在特定时间窗口内呈现可预测、可映射、可调控的动态变化。
研究团队利用相变存储器这一特性，将其与神经动力学系统中的自适应积分过程建立对应关系，使器件本身的电导演化不再只是存储状态的变化，而成为可被精确利用的原位计算过程。
基于这一发现，该团队提出细粒度可控电导演化机制，将有效积分步长直接编码为相变存储器的电导状态，并利用器件自身物理演化完成自适应步长搜索。
[物价飞涨的时候 这样省钱购物很爽]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: