清華微電子所博士生塗鋒斌報告現場
隨著人工智慧應用中神經網路規模的不斷增大，計算晶元的大量片外訪存會造成巨大的系統能耗，因此儲存優化是人工智慧計算晶元設計中必須解決的乙個核心問題。可重構研究團隊提出一種面向神經網路的新型加速框架：資料生存時間感知的神經網路加速框架（rana）。rana框架採用了三個層次的優化技術：資料生存時間感知的訓練方法，混合計算模式和支援重新整理優化的edram儲存器，分別從訓練、排程和架構三個層面優化整體系統能耗。實驗結果顯示，rana框架可以消除99.7%的edram重新整理能耗開銷，而效能和精度損失可以忽略不計。相比於傳統的採用sram的人工智慧計算晶元，使用rana框架的基於edram的計算晶元在面積開銷相同的情況下可以減少41.7%的片外訪存和66.2%的系統能耗，使人工智慧系統的能量效率獲得大幅提高。
資料生存時間感知的神經網路加速框架（rana）
可重構計算團隊近年來基於可重構架構設計了thinker系列人工智慧計算晶元（thinker i，thinker ii，thinker s），受到學術界和工業界的廣泛關注。可重構計算團隊此次研究成果，從儲存優化和軟硬體協同設計的角度大幅提公升了晶元能量效率, 為人工智慧計算晶元的架構演進開拓了新方向。
原文發布時間為：2018-06-7
微電子所等在二維材料異質結構光電器件研究中取得進展
半導體光伏結構因其能夠有效地將太陽能轉化為電能，被認為是實現清潔能源的重要途徑。然而早在1961年，美國科學家肖克萊 德國科學家凱賽爾便提出光伏單元的效率由於難以避免的損耗而存在理論極限。其中，由於光子吸收和再輻射導致的自發輻射損耗最為關鍵，這種損耗正比於自發輻射立體角和太陽光立體角的比值。太陽光的...