387
存內(nèi)計算由于突破傳統(tǒng)馮·諾依曼架構(gòu)瓶頸，實現(xiàn)了存儲單元與邏輯單元的融合，成為實現(xiàn)智能計算的主要技術(shù)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(nèi)計算，臺積電共發(fā)表（或合作發(fā)展）6篇有關(guān)存內(nèi)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(nèi)計算的開發(fā)進程必將不斷加快，并走向現(xiàn)實應用。
存內(nèi)計算受關(guān)注，龍頭企業(yè)重點布局
ISSCC一向是半導體產(chǎn)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(nèi)計算無疑位列其中。SK海力士發(fā)表存內(nèi)計算的開發(fā)成果——基于GDDR接口的DRAM存內(nèi)計算，并展示了其首款基于存內(nèi)計算技術(shù)產(chǎn)品——GDDR6-AiM的樣本。
SK海力士表示，GDDR6-AiM是將計算功能添加到數(shù)據(jù)傳輸速度為16Gbps的GDDR6內(nèi)存產(chǎn)品中。與傳統(tǒng)DRAM相比，將GDDR6-AiM 與CPU、GPU相結(jié)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(nèi)計算在運算中減少了內(nèi)存與CPU、GPU間的數(shù)據(jù)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(nèi)計算技術(shù)，SK海力士將通過GDDR6-AiM構(gòu)建全新的存儲器解決方案生態(tài)系統(tǒng)。”
臺積電在存內(nèi)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(guān)于存內(nèi)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(xiàn)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(nèi)計算方面也早有布局。三星日前在頂級學術(shù)期刊Nature上發(fā)表全球首個基于MRAM的存內(nèi)計算研究，基于28nm CMOS工藝的MRAM陣列進行存內(nèi)計算的開發(fā)，所構(gòu)建的新型MRAM陣列用于運行手寫數(shù)字識別和人臉檢測等AI算法，準確率分別達到98%和93%。
國內(nèi)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(lǐng)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(chǎn)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(shù)來解決傳統(tǒng)馮·諾依曼架構(gòu)存在的算力瓶頸與高功耗問題。這也是一眾半導體大廠關(guān)注存內(nèi)計算的主要原因。
對此有業(yè)內(nèi)專家告訴記者，當前主流的計算架構(gòu)均采用馮·諾依曼架構(gòu)，其存在兩個固有問題：即所謂的內(nèi)存墻問題和功耗墻問題。馮·諾依曼架構(gòu)的計算單元與存儲單元分置，之間用數(shù)據(jù)總線連接，運算過程中就需要使數(shù)據(jù)在處理器與存儲器之間進行頻繁遷移，這一過程產(chǎn)生的功耗極為巨大，甚至比真正用于數(shù)據(jù)處理所產(chǎn)生的功耗還要高上百倍。內(nèi)存墻則是指目前的CPU運算速度比存儲器的數(shù)據(jù)存取速度快得多，存儲器成為制約數(shù)據(jù)處理速度提高的主要瓶頸?，F(xiàn)在的人們應對這個問題的主要方法是提高內(nèi)存的處理速度或加大數(shù)據(jù)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(shè)計項目負責人Dae-han Kwon 也指出：“對于 RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）等內(nèi)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(shù)據(jù)量將大幅增加，存內(nèi)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(nèi)計算的產(chǎn)品化開發(fā)進程也在加快。根據(jù)北京大學信息科學技術(shù)學院微納電子學系副教授葉樂的介紹，存內(nèi)計算技術(shù)大概率會實現(xiàn)產(chǎn)品化。目前基于SRAM的存內(nèi)計算，已經(jīng)進入到產(chǎn)品化的前夜，有望率先在可穿戴設(shè)備、智能手機等智能物聯(lián)網(wǎng)AIoT領(lǐng)域應用，估計1到2年就有望看到產(chǎn)品級的SRAM存內(nèi)計算芯片實現(xiàn)商業(yè)化落地。在此之后，存內(nèi)計算芯片會逐漸往更大算力的應用領(lǐng)域滲透?；贛RAM的存內(nèi)計算則會稍微滯后一些，這主要跟工藝可獲得性有關(guān)?；贒RAM的存內(nèi)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(nèi)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(shù)難題，例如陣列間的互連和架構(gòu)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(gòu)需要更多的考慮通用性和可編程性，并且軟硬件協(xié)同設(shè)計、編譯器等工具鏈的重要性和難度也更為突出。
葉樂強調(diào)，不同應用場合對存內(nèi)計算的需求也不同，消費電子、物聯(lián)網(wǎng)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(cè)重點和側(cè)重程度各不相同，因此各類存內(nèi)計算技術(shù)，均會有發(fā)展的必要性。
生態(tài)搭建存挑戰(zhàn)，存內(nèi)邏輯是方向
盡管存內(nèi)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(nèi)專家指出，相較于傳統(tǒng)處理器，存內(nèi)計算本身就是一門非常復雜的、技術(shù)壁壘極高的設(shè)計方法，屬于需要多年經(jīng)驗積累、大量資源以及時間投入才能實現(xiàn)的尖端領(lǐng)域。而更大的挑戰(zhàn)還涉及到相關(guān)產(chǎn)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(gòu)下，處理器與存儲器是分別獨立發(fā)展的，經(jīng)過這么多年均已各自形成獨立的產(chǎn)業(yè)生態(tài)，從設(shè)計到制造再到軟件都已相當完備。而存內(nèi)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(nèi)計算面臨技術(shù)開發(fā)與產(chǎn)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(nèi)計算將是大勢所趨，只有這種革命性的徹底的架構(gòu)革新，才能真正解決內(nèi)存墻和功耗墻的問題。從技術(shù)趨勢上看，存算一體芯片將循著近存儲計算、內(nèi)存儲計算、內(nèi)存執(zhí)行計算的技術(shù)路線發(fā)展。
此外，基于哪類存儲進行存內(nèi)計算設(shè)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(nèi)計算開發(fā)，最容易解決內(nèi)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(shù)據(jù)無法保存，還要把數(shù)據(jù)傳輸?shù)狡渌?a class="article-link" target="_blank" href="/tag/NAND%20Flash/">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(shù)據(jù)，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(nèi)計算芯片的速度。
因此，專家認為，對于那些投入存內(nèi)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(nèi)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(shù)工藝還不成熟，以之為基礎(chǔ)進行存內(nèi)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
