推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

模拟存算一体原理与应用概述.docx

资料介绍

模拟存算一体:原理、架构与应用前景

什么是模拟存算一体

存算一体是打破传统冯·诺依曼架构内存墙功耗墙瓶颈的新型计算架构,核心思路是将存储单元与计算单元融合,让计算在存储本地完成,减少数据在存储单元和计算单元之间的大量搬运。模拟存算一体则是存算一体技术的核心分支之一,区别于数字存算一体,它直接利用物理器件的模拟特性完成计算,以极低的功耗实现高并行度的矩阵运算,尤其适配人工智能等对算力和功耗要求极高的场景。

传统冯·诺依曼架构中,CPU和内存相互分离,每次计算都需要将数据从内存读取到计算单元,计算完成后再写回内存。随着人工智能大模型参数规模增长到千亿甚至万亿级别,数据搬运的功耗已经占到了整个系统功耗的90%以上,计算速度也被数据传输带宽严重限制,这就是所谓的内存墙功耗墙问题。模拟存算一体从架构根源上解决了这一问题,而它的核心优势正是建立在模拟计算与存储融合的物理基础上。

模拟存算一体的核心原理

模拟存算一体的核心计算原理基于欧姆定律基尔霍夫电流定律,完美适配人工智能领域最核心的乘积累加运算(MAC)。在人工神经网络中,绝大多数计算都是输入向量与权重矩阵的乘积累加运算,模拟存算一体可以直接通过物理定律并行完成这类运算,不需要像数字电路那样逐个时钟周期完成计算。

具体来说,存算一体芯片会将神经网络的权重值以模拟信号的形式存储在非易失性存储器件中,比如阻变存储器(RRAM)、相变存储器(PCM)、铁电晶体管(FeFET)、闪存(Flash)等。输入信号以电压(或电流)模拟量的形式加载到存储阵列的输入端口,根据欧姆定律,每个存储单元的输出电流等于输入电压乘以该单元存储的电导值,而电导值就对应神经网络的权重值。然后根据基尔霍夫电流定律,同一列输出端的电流会自然累加,最终得到的总电流就是这一列对应输出神经元的乘积累加结果。


部分文件列表

文件名 大小
模拟存算一体原理与应用概述.docx 18K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载