近日，南边科技年夜学深港微电子学院传授余浩领导团队（研究副传授毛伟，博士生李凯、刘定邦等）重点研究人工智能及高机能集成电路设计，形成一系列自研IP，并取患上多项国际领先的研究结果。其研究结果对于解决“洽商”要害技能难题，冲破“后摩尔时代”芯片算力及功耗瓶颈具备主要意义。

于面向边沿计较（Edge-Computing）处置惩罚芯片标的目的，团队提出混淆精度深度进修芯片设计，经由过程收集架构主动化搜刮（NAS）优化，于28 nm CMOS工艺下最高可以实现了40.69TOPS/W的能效，相干结果发表于IEEE电路体系知名期刊IEEE Transactions on Very Large Scale Integration (VLSI) Systems [1]。毛伟为论文第一作者，余浩为通信作者，南科年夜为论文第一单元。该事情获得国度天然基金重点项目撑持。同时联合布局化稀少与矢量脉动架构，于FPGA平台最高可以到达2863.29 GOPS的通量机能，相干结果发表于IEEE电路体系知名期刊IEEE Transactions on Circuits and Systems I [2]。拜候学者、副研究员黄明强为论文第一作者，余浩为通信作者，南科年夜为论文第一单元。该事情获得国天然重点项目撑持。

图1: 面向边沿计较混淆精度人工智能芯片

于面向高机能计较（High-Performance Computing）加快芯片标的目的，团队提出头具名向HPC+AI 浮点多精度计较体系，可以撑持浮点半精度FP16到双精度FP64的计较需求，经由过程基在多精度并行处置惩罚单位，实现精度交融及高效数据运算，针对于分段优化实现提出基在最小冗余硬件及冗余操作的阐发要领，实现硬件使用率最年夜化。相干结果发表于IEEE电路体系知名期刊IEEE Transactions on Very Large Scale Integration (VLSI) Systems [3]。毛伟为论文第一作者，余浩为通信作者，南科年夜为论文第一单元。该事情获得深圳市高条理人材孔雀团队项目撑持。并经由过程向量脉动加快器体系架构，晋升数据复用率以和数据传输效率。于28 nm CMOS工艺下,面向高机能计较及人工智能算法运用，主频可以到达1.351GHz，最高可以实现了1193GLOPS/W的能效。相干结果发表于IEEE电路体系知名期刊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、毛伟为配合通信作者，南科年夜为论文第一单元。该事情获得国天然重点项目撑持。

图2: 面向HPC+AI 浮点多精度向量脉动加快器

于于基在非掉性器件忆阻器（ReRAM）的存算一体阵列设计标的目的，团队针对于通例ReRAM存算一体阵列广泛存于的瓶颈问题包括单位参数掉配年夜、行列运算并行度低及周边电路功耗年夜等瓶颈问题，别离提出采用比例电阻饱及放年夜、电荷累加式输出及基在收集特征电路优化的设计方案，实现合用在收集稀少优化的全并行多精度高能效存算一体加快器。该加快器可以实现最高能效2490.32TOPS/W，针对于NAS优化的ResNet-18收集推理，该加快器可以到达479.37TOPS/W的平均能效机能。相干结果发表于IEEE电路体系知名期刊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、毛伟为配合通信作者，南科年夜为论文第一单元。该事情获得科技部国度重点研发项目撑持。

图3: 高通量高能效全并行存算一体阵列

同时余浩于英国工程技能学会（IET，The Institution of Engineering and Technology）出书社，出书英文专著《ReRAM-based Machine Learning》 [6]。专著重要综述最新基在忆阻器（ReRAM）做存内计较的研究进展。专著起首先容了忆阻器器件模子和仿真要领，然后设计了基在忆阻器器件的逻辑计较电路，提出了合适存内计较架构的漫衍式计较的忆阻器加快器设计，同时提出了合适忆阻器加快器计较的二值化呆板进修算法。并给出了详细年夜范围神经收集（ResNet）计较模子和压缩感知计较模子于忆阻器加快器上的映照实现，为将来基在忆阻器计较的范式提出了详细实现参考线路。本书的出书富厚了微电子专业学生的造就，同时是从事计较范畴的研究职员相识现代AI硬件设计相干器件，体系和算法的主要参考文献。

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)