CNCC | 新型信息器件：高能效计算系统新机遇

林芃

浙江大学计算机科学与技术学院、脑机智能全国重点实验室“百人计划“研究员/博导

国家高层次青年人才，美国马萨诸塞大学阿莫斯特分校博士、麻省理工学院博士后，主要研究方向是类脑智能芯片与系统，近年来在Nature Electronics, Nature Nanotechnology等世界知名学术期刊及会议发表论文40余篇，包括多篇Nature子刊封面论文, 担任中国人工智能学会脑机融合与生物机器智能专委会委员，承担国家重点研发计划课题、浙江省基金委重大项目。

高滨

清华大学长聘副教授/博导、教务处副处长

2008年和2013年在北京大学分别获得学士和博士学位，2015年加入清华大学。现主要从事先进存储器和存算一体芯片研究，在Nature、Science等顶级期刊以及IEDM、VLSI、ISSCC等顶级会议发表论文200余篇，引用13000余次。担任了IEDM、IRPS、EDTM、ICTA的技术分委会主席，在重要国际学术会议做特邀报告10余次。2012年获得IEEE EDS PhD Student Fellowship，2020年获得国家青年人才项目支持，作为负责人承担了自然基金重点项目等百万级以上课题10项。

存算一体异构计算芯片

本报告将介绍存算一体芯片技术在器件、工艺、芯片、架构、软件工具链等不同层面的研究进展。首先分析存算一体技术的产生背景，聚焦在单片三维集成的新型存储器技术。然后重点介绍忆阻器相关的制造工艺和设计技术，包括28nm集成、EDA工具开发、IP单元电路设计、异构计算架构设计、编译器等。基于忆阻器的“超近存计算”+“存内计算”异构计算系统在算力、灵活性、可扩展性、效率、精度等方面展现出巨大的优势，在多个场景已得到初步的应用验证。最后，本报告将讨存算一体芯片技术的落地前景。

王中锐

香港大学电气与电子工程系助理教授

长期致力于利用新兴存储器实现硬件类脑计算并加速机器学习，以解决当前数字芯片面临的冯诺懿曼瓶颈及摩尔定律放缓。他是国家自然科学基金优秀青年科学基金获得者（港澳优青）， Clarivate Analytics 2021年、2022年高被引学者（1%）。他于新加坡南洋理工大学获得学士与博士学位。

基于忆阻器的储池计算

物联网 (IoT) 的高速发展导致对边缘 AI 的兴趣激增。由于物理上分离的内存和处理单元以及晶体管工艺节点限制，传统数字硬件面临巨大挑战。忆阻器被认为是高效和高集成度的深度学习解决方案。[1] 然而，忆阻器的非理想特性使其难以在边缘侧 AI实现原位学习。在此，我们将讨论如何利用新颖的硬件-软件协同设计来应对上述挑战。这样的设计不仅利用忆阻器的高度并行和高效的存内计算，而且将忆阻器的随机性转化为优势。我们将首先介绍用于时空信号学习的基于忆阻器的回声状态储池网络。其次，我们将讨论如何利用随机忆阻器阵列进行图结构数据学习。[2] 第三，我们将展示这种图嵌入方法，当与忆阻器联想记忆相结合时，可以满足少样本图学习的需求。[3] 最后，我们将展示使用基于忆阻器液态机的零样本学习用于多模态事件数据。[4] 

[1] Z. Wang et al., Nat. Rev. Mater. 5, 173 (2020)

[2] S. Wang et al., Nat. Mach. Intell. 5, 104 (2023) 

[3] W. Zhang et al., VLSI (2022).

[4] N. Lin et al., arXiv:2307.00771 (2023).

张续猛

复旦大学青年副研究员

2023年度CCF-之江实验室联合创新基金获得者，全国智能计算标准化工作组委员。研究工作集中在新型神经形态器件及类脑系统应用领域。近五年他以第一/通讯作者（含共同）在Nat. Mater.、Nat. Commun.、Adv. Mater.、IEDM等期刊/会议上发表SCI/EI论文16篇，其中ESI高被引2篇，ESI热点论文1篇。获授权中国专利5项。主持有国家自然科学基金面上、青年项目、CCF-之江实验室联合创新基金等项目。曾获得电子学会优博论文、中国科学院百篇优博论文、中国科学院院长特别奖、上海市“超级博士后”等荣誉或奖项。

新型神经元器件、电路及其类脑系统应用

忆阻器基神经元器件，具有丰富动力学、低功耗、以及高集成度等特点，被认为是构建紧凑神经元电路的理想单元之一。本次报告中，将介绍我们在忆阻器基神经元器件及电路方面的研究进展，讨论构建神经元电路的原理以及面向不同应用的优化设计。此外，介绍我们在利用神经元不同放电模式实现高效计算方面的研究工作，以及神经元器件的本征温度响应和它在多模态感知方面的应用。最后，进行总结与展望，为利用忆阻器神经元器件构建更高效的类脑计算系统提供一些思考。

孙仲

北京大学研究员

博雅青年学者，长期从事新型计算范式研究，如模拟计算、存内计算、类脑计算。在PNAS、Nature Electronics、Nature Communications、Science Advances、IEEE TCAS-I/II等期刊发表论文数十篇。多项研究成果连续被写入国际电子器件与系统发展路线图（IRDS），2019年获意大利知识产权一等奖，2021年入选国家高层次海外人才计划，2022年入选中国智能计算科技创新人物。主持或参与国家重点研发计划专项，自然科学基金委重大研究计划、青年科学基金等项目或课题。

模拟矩阵计算求解Ax = b

求解矩阵方程Ax = b是历史上计算机技术发展的重要驱动力，它也构成了现代计算任务的核心，如科学计算、机器学习、信号处理等。传统数字计算机通过执行串行算法（直接法或迭代法）求解该方程，具有高的计算复杂度。另一方面，传统计算机采用冯·诺伊曼架构，求解速度与能效受存储器、处理器之间的通信瓶颈限制。随着矩阵计算的规模增大，快速、高效地求解Ax = b是一项严峻的挑战。本报告介绍模拟矩阵计算，它基于存储器阵列架构与全局反馈实现，具有极高的计算并行度。通过设计存储器阵列的反馈连接方式，模拟矩阵计算电路能够以O(1)的时间求解矩阵求逆、广义逆（如最小二乘），以及稀疏近似（如压缩感知还原、稀疏编码）。

李灿

香港大学电机与电子工程系助理教授

目前主要研究基于后CMOS的新型存储器件的模拟计算和神经形态计算加速器，同时并将研究成果应用到人工智能、网络安全、信号处理等应用中。在加入港大前，李灿博士曾在加州惠普实验室从事科研工作，分别于北京大学和美国麻省大学获得本科、博士学位。近六年内，在Nature Machine Intelligence, Nature Electronics, Nature Communications等Nature系列期刊中发表研究论文18篇。基于其科研成果，加入港大后，获得国家基金委优秀青年科学基金项目（港澳）、香港研资局杰出青年学者奖和裘槎麦德华前瞻科研大奖。

基于RRAM硬件的高效小样本学习和图处理

作为一种新兴的非易失性模拟存储技术，RRAM（抗变存储器）在存算一体应用方面展示了巨大的潜力。除了广泛报道用模拟信号直接进行乘法和加法运算外，在我们最近的工作中，我们还探索了使用RRAM进行哈希运算和相似度搜索。哈希计算归功于RRAM器件固有的随机性，同时通过在交叉阵列中进行特殊编码以及在注意力机制中用于相似度搜索。我们最近的工作实验性地证明，结合这些操作能够使用基于记忆增强的神经网络 (MANN) 进行少样本学习，以及使用图注意力(Graph Attention Network) 网络进行图数据处理。通过广泛的硬件和软件协同优化，这一成功演示最终导致与传统计算平台如CPU和GPU相比，能量消耗显著降低，而准确度损失最小。