2月19日至23日，第70屆ISSCC（國(guó)際固態(tài)電路會(huì)議）在美國(guó)舊金山召開(kāi)，清華大學(xué)集成電路學(xué)院作為第一署名單位在ISSCC 2023發(fā)表了8篇學(xué)術(shù)論文，所涉及研究?jī)?nèi)容包括存內(nèi)計(jì)算視覺(jué)芯片、量子計(jì)算芯片、多模態(tài)Transform芯片、異步類腦芯片、可重構(gòu)存內(nèi)張量計(jì)算芯片、超寬帶收發(fā)機(jī)、分頻器、振蕩器等。

　　本刊編輯委員會(huì)專家尹首一教授作為通訊作者的3篇文章獲得發(fā)表，下面我們對(duì)相關(guān)論文進(jìn)行介紹。

　　ISSCC (International Solid-State Circuits Conference)國(guó)際固態(tài)電路會(huì)議始于1953年，是全球?qū)W術(shù)界和工業(yè)界公認(rèn)的集成電路設(shè)計(jì)領(lǐng)域最高級(jí)別會(huì)議，被認(rèn)為是“集成電路設(shè)計(jì)領(lǐng)域的奧林匹克大會(huì)”。ISSCC通常是各個(gè)時(shí)期國(guó)際上最尖端固態(tài)電路技術(shù)最先發(fā)表之地。每年吸引超過(guò)3000名來(lái)自世界各地工業(yè)界和學(xué)術(shù)界的參會(huì)者。

　　存內(nèi)計(jì)算視覺(jué)芯片CV-CIM

　　代價(jià)匹配算法需要精確計(jì)算圖像間的相似度，已經(jīng)被廣泛應(yīng)用于自動(dòng)駕駛，機(jī)器人，AR/VR等領(lǐng)域，但由于其頻繁的數(shù)據(jù)訪存，導(dǎo)致其難以應(yīng)用于低功耗場(chǎng)景中。集成電路學(xué)院魏少軍、尹首一教授團(tuán)隊(duì)提出了采用存算一體范式的CV-CIM，將計(jì)算單元與SRAM存儲(chǔ)單元完成合并，減少數(shù)據(jù)搬移。利用異或邏輯的自反性，結(jié)合律等，可重構(gòu)為乘法，加法，減法，比較等多種基本算子。進(jìn)一步經(jīng)過(guò)數(shù)模混合存算單元的配合，實(shí)現(xiàn)包括L0/L1/L2在內(nèi)的多種距離計(jì)算算法；并利用圖像相似度，動(dòng)態(tài)擴(kuò)充計(jì)算數(shù)據(jù)稀疏度，擴(kuò)展計(jì)算噪聲容限，提升計(jì)算精度；通過(guò)增加行方向細(xì)粒度地址控制，列方向讀寫(xiě)并行模式，大幅提升存算系統(tǒng)的利用率。考慮到模擬單元受PVT影響，增加Canary BIST單元保證計(jì)算系統(tǒng)魯棒性。CV-CIM作為國(guó)際首款針對(duì)圖像匹配的存算一體芯片，在28nm工藝上成功實(shí)現(xiàn)流片，峰值能效為1158TOPs/W，面積為0.387mm^2。

　　該工作以 “CV-CIM: A 28nm XOR-derived Similarity-aware Computation-In-Memory For Cost Volume Construction”為題發(fā)表在ISSCC2023。集成電路學(xué)院博士研究生岳志恒為論文第一作者，尹首一教授為通訊作者。

　　多模態(tài)Transform芯片

　　多模態(tài)Transformer是當(dāng)下最流行的處理多種模態(tài)信號(hào)（視覺(jué)、文字、語(yǔ)音等）的AI模型之一，已廣泛應(yīng)用于視頻問(wèn)答、多語(yǔ)言圖像檢索等任務(wù)中。這類模型巨大的計(jì)算量、頻繁的數(shù)據(jù)訪問(wèn)、獨(dú)特的跨模態(tài)注意力機(jī)制對(duì)AI芯片設(shè)計(jì)造成諸多挑戰(zhàn)。集成電路學(xué)院魏少軍、尹首一教授團(tuán)隊(duì)提出國(guó)際首款基于可重構(gòu)數(shù)字存算一體架構(gòu)的多模態(tài)Transformer AI芯片MulTCIM。研究團(tuán)隊(duì)充分利用跨模態(tài)注意力機(jī)制中的計(jì)算冗余性，設(shè)計(jì)出綜合利用attention-token-bit三個(gè)層次混合稀疏性的存算一體架構(gòu)：1）使用注意力局部性調(diào)度器優(yōu)化attention稀疏，提高存算單元利用率；2）采用模態(tài)自適應(yīng)存算一體網(wǎng)絡(luò)優(yōu)化token稀疏，減少跨模態(tài)切換時(shí)的等待時(shí)間；3）利用位寬均衡存算一體單元優(yōu)化bit稀疏，降低存算一體單元的計(jì)算延遲。MulTCIM芯片使用TSMC 28nm工藝成功流片，在典型多模態(tài)Transformer模型ViLBERT上僅產(chǎn)生2.24μJ/Token的能耗，相比于ISSCC2022上發(fā)表的Transformer芯片可獲得5.91倍的能效提升。

　　該工作以“MulTCIM: A 28nm 2.24μJ/Token Attention-Token-Bit Hybrid Sparse Digital CIM-based Accelerator for Multimodal Transformers”為題發(fā)表在ISSCC2023。集成電路學(xué)院畢業(yè)生涂鋒斌博士為論文第一作者，尹首一教授為論文通訊作者。

　　可重構(gòu)存內(nèi)張量計(jì)算芯片TensorCIM

　　Beyond-NN計(jì)算是面向通用智能場(chǎng)景的新型計(jì)算類型。不同于傳統(tǒng)的處理圖像、語(yǔ)音等規(guī)則數(shù)據(jù)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，Beyond-NN計(jì)算需要處理真實(shí)世界中的非規(guī)則數(shù)據(jù)結(jié)構(gòu)，例如社交網(wǎng)絡(luò)、知識(shí)圖譜、推薦系統(tǒng)等。針對(duì)Beyond-NN在算力、訪存、功能三方面的技術(shù)挑戰(zhàn)，集成電路學(xué)院魏少軍、尹首一教授團(tuán)隊(duì)提出國(guó)際首款基于可重構(gòu)數(shù)字存算一體架構(gòu)的多芯粒張量處理器TensorCIM：1）TensorCIM采用多芯粒系統(tǒng)對(duì)算力和存儲(chǔ)容量進(jìn)行擴(kuò)展，在降低制造成本的同時(shí)，為不同規(guī)模的Beyond-NN場(chǎng)景提供可擴(kuò)展的系統(tǒng)解決方案。2）TensorCIM通過(guò)數(shù)字存算一體架構(gòu)大幅減少數(shù)據(jù)搬運(yùn)，并支持高精度的浮點(diǎn)計(jì)算以保證準(zhǔn)確度。3）TensorCIM將可重構(gòu)技術(shù)與數(shù)字存算一體相結(jié)合，實(shí)現(xiàn)稀疏張量聚集和稀疏神經(jīng)網(wǎng)絡(luò)計(jì)算兩種模式的動(dòng)態(tài)切換，保持極高的計(jì)算資源利用率。TensorCIM芯片使用TSMC 28nm工藝成功流片，在圖神經(jīng)網(wǎng)絡(luò)、推薦系統(tǒng)等典型Beyond-NN應(yīng)用上驗(yàn)證，取得3.7nJ/Gather的稀疏張量聚集效率和8.3TFLOPS/W的稀疏FP32張量代數(shù)能效，相比同期浮點(diǎn)存算一體AI芯片能效提升5.6倍。

　　該工作以“TensorCIM: A 28nm 3.7nJ/Gather and 8.3TFLOPS/W FP32 Digital-CIM Tensor Processor for MCM-CIM-Based Beyond-NN Acceleration”為題發(fā)表在ISSCC2023。集成電路學(xué)院畢業(yè)生涂鋒斌博士為論文第一作者，尹首一教授為論文通訊作者。