不做大年夜模型的AI芯片清华大年夜学“ACCEL”有何不合？_芯片_暗记

文章目录 [+]

提及人工智能AI干系的算力芯片，现在绝大多数人的第一反应都是英伟达NVIDIA的GPU，作为AI模型搭建的根本，英伟达的A100/H100险些成为了一块块“金砖”，深受业界喜好。

然而，一方面，外部牵制在上月又一次收紧，海内子工智能行业很难再获取高端算力的支持；另一方面，以GPU为首的传统数字逻辑电路芯片在处理繁芜的人工智能算法时，也存在速率有限、功耗较大的困境。

不做大年夜模型的AI芯片清华大年夜学“ACCEL”有何不合？_芯片_暗记不做大年夜模型的AI芯片清华大年夜学“ACCEL”有何不合？_芯片_暗记互联网

面对这一寻衅,清华大学自动化系戴琼海院士、吴嘉敏助理教授与电子工程系方璐副教授、乔飞副研究员联合攻关，提出了一种全新的打算架构——“全仿照光电智能打算芯片”(ACCEL)。

（图片来自网络侵删）

这颗芯片的理论算力性能可以达到目前高性能商用芯片的3000余倍，成果揭橥在了《自然》杂志上。

用光打算，更迅速

今年10月的2023诺贝尔物理学奖，颁给了“阿秒激光技能”，光速作为人类已知的宇宙中最快速率拥有着很多独特的特性，在物理学中有很多运用。

“如何用光做打算”是业界、学界的主要课题之一。

根据清华大学揭橥的项目论文所述，“全仿照光电打算芯片”(all-analog chip combining electronic and light computing，ACCEL)紧张是针对人工智能领域打算机视觉干系任务的芯片。

传统的打算机视觉处理方案，是外界光芒投射到如相机CMOS这样的芯片上，经由光电转换后输出的数字电旗子暗记，再加以处理。

而ACCEL的处理办法完备不同，其输入的图像并非是一个以数字形式存在的“图片”，而是物理意义上的“光”，相称于给打算机加了一双人眼，而非摄像头。

（图源：清华大学）

输入的图像从光学打算部分（optical analog computing，OAC）进入，经由数据压缩处理之后，投射到光电二极管阵列上（论文中称为电子仿照打算electronic analog computing，EAC），EAC通过OAC反馈的信息产生相应的输出，表现为“有或无”的“1或0”，从而实现从仿照旗子暗记到数字旗子暗记的转变，达成结果。

从技能层面看，光芒在OAC部分仅仅是照射通过了一块类似光刻机掩膜版的组件，就完成了旗子暗记压缩和处理，省略了光旗子暗记到电旗子暗记的转换，理论上没有功耗，而且处理速率为光速。
加上后续EAC的旗子暗记转换输出一共须要约4.4nJ能量和2ns韶光，即可实现一次打算。

由于光子的高速特性，在处理信息时具有极高的速率和效率，同时功耗很低。
根据论文供应的实验数据，在相同打算精度下以串行办法处理图像时，ACCEL在实验中实现了每帧72纳秒的打算延迟和每帧4.38纳焦耳的能耗，远小于英伟达A100 GPU的每帧0.26毫秒延迟和每帧18.5毫焦能耗数据。

（图源：《自然》）

ACCEL的等效算力4600TOP/s，能效比74800TOP/s/W，是英伟达A100 GPU的3000倍以上。

摩尔定律已致极限

传统的集成电路技能进步在近些年开始逐步陷入瓶颈。
影响了半导体行业半个多世纪的“摩尔定律”已经逐渐放缓，乃至有些失落效的预兆。
从近两年消费电子领域的困境可以窥见一二。

（图源：Freeimages）

近几年，手机、PC类处理器的性能提升速率已经放缓，现今最为前辈的3nm工艺产量与良率都面临困境，即便是已经发布的产品，性能提升也比较有限，并且，随着晶体管尺寸几次再三逼近物理极限，密度大增的芯片带来了功耗与发热的双重磨练。

用光替代电作为信息传输的新载体，是个中一条探索道路。

清华大学这次发布的这颗ACCEL只是一颗32×32阵列的小型芯片，工艺上用的是可以称之为“掉队”的180nm工艺，更多是为了观点验证。
如果换用相对成熟的28nm，乃至是7nm这样的前辈工艺，都有望实现更高的处理速率，以及更大的神经网络以支持更繁芜的任务。

另一方面，传统的集成电路芯片处理AI这样的繁芜任务时，除了须要芯片本身的算力以外，还须要合营存储器来实现数据存取，比如现在的GPU一样平常都会搭配高带宽的HBM内存，这会造成能量的极大花费。

清华大学电子工程系副教授方璐表示：除算力上风外，在智能视觉目标识别任务和无人系统（如自动驾驶）场景打算中，ACCEL的系统级能效（单位能量可进行的运算数）经实测是现有高性能芯片的400万余倍，这一超低功耗的上风将有助于改进限定芯片集成的芯片发热问题，有望为未来芯片设计带来打破。