存算一体技术产业发展研究

doi:10.12267/j.issn.2096-5931.2023.06.005

摘要/Abstract

摘要：

基于存算一体技术产业发展实际情况,结合人工智能算力快速发展的背景,从基础硬件、计算架构、技术挑战等维度分析存算一体技术发展现状和趋势,研究存算一体产业结构、主要应用、产业发展面临的机遇和挑战,最后根据我国算力技术产业发展实际情况,提出存算一体发展策略。

关键词: 内存计算, 存算一体, 非易失性存储器件, 人工智能

Abstract:

Based on the actual situation of the development of compute-in-memory technology and industry, against the backdrop of rapid development of artificial intelligence computing power, this paper first analyzes the current status and trends of compute-in-memory technology development in the dimensions of basic hardware, computing architecture, and technological challenges. Then, it studies the industrial structure, main applications, and opportunities and competitive challenges faced by the compute-in-memory industry. Finally, based on the actual development of China’s computing technology industry, a strategy for compute-in-memory development is proposed.

Key words: processing-in-memory, compute-in-memory, non-volatile memory, artificial intelligence

中图分类号:

TN60
TP333

黄璜, 张乾. 存算一体技术产业发展研究[J]. 信息通信技术与政策, 2023, 49(6): 30-39.

HUANG Huang, ZHANG Qian. Research on development of compute-in-memory technology and industry[J]. Information and Communications Technology and Policy, 2023, 49(6): 30-39.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2023.06.005

http://ictp.caict.ac.cn/CN/Y2023/V49/I6/30

图/表 9

参考文献 19

[1]	WULF W, MCKEE E S. Hitting the memory wall: implications of the obvious[J]. ACM Computer Architechture News, 1994, 23(1): 20-24.
[2]	ZIDAN M A, STRACHAN J P, LU W D. The future of electronics based on memristive systems[J]. Nature Electronics, 2018, 1(1): 22-29. doi: 10.1038/s41928-017-0006-8
[3]	BILL D. The Path to Exascale Computing[R], 2015.
[4]	HOROWITZ M. Computing’s energy problem (and what we can do about it)[C]//IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC). IEEE, 2014:10-14.
[5]	MEHONIC A, KENYON A J. Brain-inspired computing needs a master plan[J]. Nature, 2022, 604: 255-260. doi: 10.1038/s41586-021-04362-w
[6]	WIKIPEDIA. CHARLES M, NEO J, et al. AlphaGo[EB/OL]. (2023-03-29)[2023-04-12].https://en.m.wikipedia.org/wiki/AlphaGo#.
[7]	MATTHIAS B. GPT-4 has a trillion parameters[EB/OL]. (2023-03-25)[2023-04-12]. https://the-decoder.com/gpt-4-has-a-trillion-parameters/.
[8]	郭昕婕, 王绍迪. 端侧智能存算一体芯片概述[J]. 微纳电子与智能制造, 2019, 1(2):72-82.
[9]	蒋明峰. 用于神经网络的浮栅单元向量-矩阵乘法器的研究与设计[D]. 合肥: 中国科学技术大学, 2020.
[10]	林钰登, 高滨, 王小虎, 等. 基于新型忆阻器的存内计算[J]. 微纳电子与智能制造, 2019, 1(2):35-46.
[11]	毛海宇, 舒继武, 李飞, 等. 内存计算研究进展[J]. 中国科学:信息科学, 2021, 51(2):173-205.
[12]	徐丽莹, 杨玉超, 黄如. 基于忆阻器的非易失逻辑研究前沿[J]. 中国基础科学, 2019, 21(2):1-11+27+63.
[13]	AMBROGIO S, NARAYANAN P, TSAI H, et al. Equivalent-accuracy accelerated neural-network training using analogue memory[J]. Nature, 2018, 558: 60-67. doi: 10.1038/s41586-018-0180-5
[14]	JUNG S, LEE H, MYUNG S, et al. A crossbar array of magnetoresistive memory devices for inmemory computing[J]. Nature, 2022, 601(7892): 211-216. doi: 10.1038/s41586-021-04196-6
[15]	YAO P, WU H, GAO B, et al. Face classification using electronic synapses[J]. Nature Communications, 2017, 8(1):15199. doi: 10.1038/ncomms15199 URL
[16]	NING H, YU Z, ZHANG Q, et al. An in-memory computing architecture based on a duplex two-dimensional material structure for in situ machine learning[J]. Nature Nanotechnol, 2023(18):493-500.
[17]	AGA S, JELOKA S, SUBRAMANIYAN A, et al. Compute caches[C]//IEEE International Symposium on High Performance Computer Architecture (HPCA). IEEE, 2017:481-492.
[18]	ECKERT C, WANG X, WANG J, et al. Neural cache: bit-serial in-cache acceleration of deep neural networks:10.1109/ISCA.2018.00040[P], 2018.
[19]	李锟, 曹荣荣, 孙毅, 等. 基于忆阻器的感存算一体技术研究进展[J]. 微纳电子与智能制造, 2019, 1(4):87-102.

分类	传统存储器件				新型存储器件
名称	SRAM	DRAM	NAND Flash	Nor Flash	MRAM	PCM	ReRAM
非易失	否	否	是	是	是	是	是
读取时间(ns)	1~100	30	50	20~50	2~20	20~50	10~50
写入时间(ns)	1~100	15	1 ms	5 s	2~10	50/120	1~10⁴
寿命(重复擦写次数)	10¹⁶	10¹⁶	10⁵	10⁵	10¹⁵	10⁸	10⁸
优点	快速	快速	高速读写	工艺成熟不需要I/O	寿命长功耗低	工艺简单	与CMOS工艺兼容、功耗低
缺点	难以扩展	破坏性难以扩展	需要I/O 难以模拟计算	寿命较低写入慢	干扰严重	昂贵功耗高	串扰严重难以微缩
已有产品容量	MB级	GB级	TB级	/	GB级	GB级	/
代表公司	英特尔	三星、 SK海力士	三星、 SK海力士	华邦、旺宏兆易创新、知存科技	Everspin	英特尔	Crossbar
主要商业应用	高速缓存	内存	外存	驱动存储	嵌入式	混合固态盘、持久内存	/

分类	传统存储器件				新型存储器件
名称	SRAM	DRAM	NAND Flash	Nor Flash	MRAM	PCM	ReRAM
非易失	否	否	是	是	是	是	是
读取时间(ns)	1~100	30	50	20~50	2~20	20~50	10~50
写入时间(ns)	1~100	15	1 ms	5 s	2~10	50/120	1~10⁴
寿命(重复擦写次数)	10¹⁶	10¹⁶	10⁵	10⁵	10¹⁵	10⁸	10⁸
优点	快速	快速	高速读写	工艺成熟不需要I/O	寿命长功耗低	工艺简单	与CMOS工艺兼容、功耗低
缺点	难以扩展	破坏性难以扩展	需要I/O 难以模拟计算	寿命较低写入慢	干扰严重	昂贵功耗高	串扰严重难以微缩
已有产品容量	MB级	GB级	TB级	/	GB级	GB级	/
代表公司	英特尔	三星、 SK海力士	三星、 SK海力士	华邦、旺宏兆易创新、知存科技	Everspin	英特尔	Crossbar
主要商业应用	高速缓存	内存	外存	驱动存储	嵌入式	混合固态盘、持久内存	/

逻辑运算类型	R-R	V-R	V-V
易级联	√	×	√
需要额外比较电路	×	√	√
破坏性	√	×	×
电路复杂度	低	中	高

逻辑运算类型	R-R	V-R	V-V
易级联	√	×	√
需要额外比较电路	×	√	√
破坏性	√	×	×
电路复杂度	低	中	高