科研聚焦

当前位置 :首页>新闻动态

深港微电子学院团队在高能效人工智能芯片领域取得多项研究成果

2022-10-30 科研聚焦 浏览量:14977

近日,南方科技大学深港微电子学院教授余浩带领团队(研究副教授毛伟,博士生李凯、刘定邦等)重点研究人工智能和高性能集成电路设计,形成一系列自研IP,并取得多项国际领先的研究成果。其研究成果对解决“卡脖子”关键技术难题,突破“后摩尔时代”芯片算力和功耗瓶颈具有重要意义。

202210301.jpg


在面向边缘计算(Edge-Computing)处理芯片方向,团队提出混合精度深度学习芯片设计,通过网络架构自动化搜索(NAS)优化,在28 nm CMOS工艺下最高可以实现了40.69TOPS/W的能效,相关成果发表在IEEE电路系统知名期刊IEEE Transactions on Very Large Scale Integration (VLSI) Systems [1]。毛伟为论文第一作者,余浩为通讯作者,南科大为论文第一单位。该工作得到国家自然基金重点项目支持。同时结合结构化稀疏与矢量脉动架构,在FPGA平台最高可以达到2863.29 GOPS的通量性能,相关成果发表在IEEE电路系统知名期刊IEEE Transactions on Circuits and Systems I [2]。访问学者、副研究员黄明强为论文第一作者,余浩为通讯作者,南科大为论文第一单位。该工作得到国自然重点项目支持。

2022101805.png

图1: 面向边缘计算混合精度人工智能芯片

在面向高性能计算(High-Performance Computing)加速芯片方向,团队提出面向HPC+AI 浮点多精度计算系统,可以支持浮点半精度FP16到双精度FP64的计算需求,通过基于多精度并行处理单元,实现精度融合和高效数据运算,针对分段优化实现提出基于最小冗余硬件和冗余操作的分析方法,实现硬件利用率最大化。相关成果发表在IEEE电路系统知名期刊IEEE Transactions on Very Large Scale Integration (VLSI) Systems [3]。毛伟为论文第一作者,余浩为通讯作者,南科大为论文第一单位。该工作得到深圳市高层次人才孔雀团队项目支持。并通过向量脉动加速器系统架构,提升数据复用率以及数据传输效率。在28 nm CMOS工艺下,面向高性能计算和人工智能算法应用,主频可以达到1.351GHz,最高可以实现了1193GLOPS/W的能效。相关成果发表在IEEE电路系统知名期刊IEEE Transactions on Circuits and Systems II [4]。深港微电子学院2021级博士生李凯为论文第一作者,余浩、毛伟为共同通讯作者,南科大为论文第一单位。该工作得到国自然重点项目支持。

2022101802.png

图2: 面向HPC+AI 浮点多精度向量脉动加速器

在在基于非失性器件忆阻器(ReRAM)的存算一体阵列设计方向,团队针对常规ReRAM存算一体阵列广泛存在的瓶颈问题包括单元参数失配大、行列运算并行度低和周边电路功耗大等瓶颈问题,分别提出采用比例电阻饱和放大、电荷累加式输出和基于网络特性电路优化的设计方案,实现适用于网络稀疏优化的全并行多精度高能效存算一体加速器。该加速器可以实现最高能效2490.32TOPS/W,针对NAS优化的ResNet-18网络推理,该加速器可以达到479.37TOPS/W的平均能效性能。相关成果发表在IEEE电路系统知名期刊IEEE Journal on Emerging and Selected Topics in Circuits and Systems上 [5]。深港微电子学院2020级博士生刘定邦为论文第一作者,余浩、毛伟为共同通讯作者,南科大为论文第一单位。该工作得到科技部国家重点研发项目支持。

2022101804.png


图3: 高通量高能效全并行存算一体阵列

同时余浩在英国工程技术学会(IET,The Institution of Engineering and Technology)出版社,出版英文专著《ReRAM-based Machine Learning》 [6]。专著主要综述最新基于忆阻器(ReRAM)做存内计算的研究进展。专著首先介绍了忆阻器器件模型及仿真方法,然后设计了基于忆阻器器件的逻辑计算电路,提出了适合存内计算架构的分布式计算的忆阻器加速器设计,同时提出了适合忆阻器加速器计算的二值化机器学习算法。并给出了具体大规模神经网络(ResNet)计算模型及压缩感知计算模型在忆阻器加速器上的映射实现,为未来基于忆阻器计算的范式提出了具体实现参考路线。本书的出版丰富了微电子专业学生的培养,同时是从事计算领域的研究人员了解现代AI硬件设计相关器件,系统及算法的重要参考文献。

2022101803.png


图4: IET英文专著 《ReRAM-based Machine Learning》

 

论文链接:

[1] https://ieeexplore.ieee.org/document/9920733 

[2] https://ieeexplore.ieee.org/document/9793397 

[3]https://ieeexplore.ieee.org/document/9795894 

[4]https://ieeexplore.ieee.org/document/9631952 

[5] https://ieeexplore.ieee.org/document/9911654 

[6] ReRAM-based Machine Learning, IET 2020. (ISBN: 978-1-83953-081-4) 

相关内容

  • 综合新闻
  • 科研新闻
  • 通知公告
  • 学术讲座