上海交通大學微納電子學系王國興教授團隊在高能效脈沖神經(jīng)網(wǎng)絡(luò)加速器芯片研發(fā)上取得突破性進展。該成果為類腦計算從理論走向?qū)嵱谩⑻貏e是滿足邊緣側(cè)設(shè)備對實時智能處理的嚴苛需求,提供了關(guān)鍵的硬件基礎(chǔ),標志著我國在網(wǎng)絡(luò)技術(shù),特別是新興的神經(jīng)形態(tài)計算領(lǐng)域的前沿探索邁出了堅實一步。
脈沖神經(jīng)網(wǎng)絡(luò),作為第三代人工神經(jīng)網(wǎng)絡(luò)模型,其靈感直接源于生物大腦的運作機制。與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)不同,SNN以離散的脈沖序列來編碼和傳遞信息,具有事件驅(qū)動、稀疏計算等天然特性,理論上能實現(xiàn)遠高于傳統(tǒng)架構(gòu)的能效比。如何將這一理論優(yōu)勢在硬件上高效實現(xiàn),一直是學術(shù)界和產(chǎn)業(yè)界面臨的核心挑戰(zhàn)。
王國興團隊此次研發(fā)的SNN加速器芯片,正是針對這一核心挑戰(zhàn)提出的創(chuàng)新解決方案。該芯片在架構(gòu)和電路層面進行了協(xié)同優(yōu)化設(shè)計,主要體現(xiàn)在以下幾個方面:
團隊提出了創(chuàng)新的稀疏事件驅(qū)動處理架構(gòu)。傳統(tǒng)計算架構(gòu)即使在沒有有效數(shù)據(jù)時,時鐘和計算單元也持續(xù)運行,造成大量功耗浪費。而該芯片實現(xiàn)了真正的“有事件才工作”模式,能夠動態(tài)識別并跳過輸入和網(wǎng)絡(luò)內(nèi)部的零激活(無脈沖)數(shù)據(jù),僅對有效的脈沖事件進行路由和計算,從根本上消除了靜態(tài)功耗和無效計算開銷。
團隊設(shè)計了高并行度的脈沖事件處理引擎。為了應(yīng)對脈沖事件在時間和空間上的隨機性,芯片內(nèi)部集成了多組高度并行的計算核心,能夠同時處理多個突觸連接和神經(jīng)元狀態(tài)更新。這種設(shè)計確保了即使在事件密集時段,芯片也能維持高吞吐量和低延遲,滿足實時處理的要求。
芯片采用了近內(nèi)存計算技術(shù)。通過將計算單元緊密嵌入到存儲突觸權(quán)重的存儲陣列附近,極大地減少了數(shù)據(jù)在計算核心與內(nèi)存之間頻繁搬移所產(chǎn)生的巨大能耗(即“內(nèi)存墻”問題)。這種設(shè)計顯著提升了數(shù)據(jù)訪問效率,是達成高能效的關(guān)鍵一環(huán)。
據(jù)團隊公布的測試數(shù)據(jù),該加速器芯片在典型視覺分類與目標檢測等SNN任務(wù)上,展現(xiàn)了卓越的性能功耗比。其能效比顯著優(yōu)于傳統(tǒng)的基于馮·諾依曼架構(gòu)的GPU/CPU平臺,甚至優(yōu)于一些已報道的專用神經(jīng)網(wǎng)絡(luò)加速器,為在電池供電的物聯(lián)網(wǎng)終端、移動設(shè)備、可穿戴設(shè)備以及嵌入式視覺系統(tǒng)中部署復雜的實時智能算法提供了可能。
這項進展的深遠意義在于,它不僅僅是一項芯片技術(shù)的突破,更是為邊緣人工智能的發(fā)展鋪平了道路。隨著5G和物聯(lián)網(wǎng)的普及,海量數(shù)據(jù)在邊緣側(cè)產(chǎn)生,將計算智能下沉至邊緣設(shè)備,而非全部上傳至云端,是降低延遲、保護隱私、節(jié)約帶寬的必然趨勢。王國興團隊的高能效SNN芯片,正是契合了這一趨勢,使得在資源受限的邊緣設(shè)備上運行復雜的類腦智能模型成為現(xiàn)實。
該成果也推動了類腦計算的實用化進程。類腦計算被視為突破現(xiàn)有AI算力與能效瓶頸的重要方向之一。這款芯片的成功研制,證明了基于脈沖神經(jīng)網(wǎng)絡(luò)的硬件方案在能效上的巨大潛力,為未來開發(fā)更大規(guī)模、更接近生物腦處理機制的智能計算系統(tǒng)奠定了重要的技術(shù)基礎(chǔ)。
可以預見,隨著此類專用硬件的不斷成熟,脈沖神經(jīng)網(wǎng)絡(luò)將在自動駕駛、智能傳感、機器人控制、智能家居等對實時性與能效要求極高的領(lǐng)域發(fā)揮越來越重要的作用。上海交大王國興團隊的這一重要進展,是我國在下一代人工智能計算核心技術(shù)競爭中取得的又一突出成果,展現(xiàn)了我國科研工作者在前沿交叉領(lǐng)域的創(chuàng)新實力。
如若轉(zhuǎn)載,請注明出處:http://www.3dcaitu.com/product/71.html
更新時間:2026-02-07 05:37:43