在本周的2020 VLSI技術(shù)與電路研討會上，英特爾將針對分布于核心、邊緣和端點上的日益增長的數(shù)據(jù)所引起的計算轉(zhuǎn)型，介紹一系列研究成果和技術(shù)觀點。英特爾首席技術(shù)官Mike Mayberry將發(fā)表題為“未來計算：數(shù)據(jù)轉(zhuǎn)型如何重塑VLSI”的主題演講，重點強調(diào)從以硬件/程序為中心的計算過渡到以數(shù)據(jù)/信息為中心的計算的重要性。

“在分布式邊緣、網(wǎng)絡(luò)和云基礎(chǔ)架構(gòu)上有巨量數(shù)據(jù)流動，這就要求在數(shù)據(jù)生成的位置附近進行高能效和強大的處理，但這種處理往往會受到帶寬、內(nèi)存和電源資源的制約。英特爾研究院在VLSI研討會上重點展示了提高計算效率的幾種新方法，這些方法顯示出多種應(yīng)用領(lǐng)域的廣闊前景，包括機器人、增強現(xiàn)實、機器視覺和視頻分析。這一系列研究的重點在于解決數(shù)據(jù)移動和計算方面的障礙，這些障礙代表了未來最大的數(shù)據(jù)挑戰(zhàn)?！?

- Vivek K. De，英特爾院士，英特爾研究院電路技術(shù)研究總監(jiān)

將要展示的內(nèi)容：此次研討會上將介紹一些英特爾的研究論文，探討在未來邊緣-網(wǎng)絡(luò)-云系統(tǒng)中如何能夠?qū)崿F(xiàn)更高的智能水平和更高能效，以支持日益增長的眾多邊緣應(yīng)用。研究論文中涉及的部分主題（研究的完整列表請見本新聞稿文末）包括：

利用光線投射硬件加速器，提高邊緣機器人三維場景重建的效率和精度

論文：在邊緣機器人和增強現(xiàn)實應(yīng)用中，通過10納米CMOS的光線投射加速器進行高效3D場景重建

重要意義：包括邊緣機器人和增強現(xiàn)實在內(nèi)的某些應(yīng)用，需要通過從光線投射操作產(chǎn)生的大量數(shù)據(jù)中精確、快速并且高能效地對復(fù)雜的3D場景進行重建，以實現(xiàn)實時密集的同步定位和映射（SLAM）。在本研究論文中，英特爾重點介紹了一款新型光線投射硬件加速器，可以利用新技術(shù)來保持場景重建的準確性，同時實現(xiàn)卓越的高能效性能。這些創(chuàng)新方法包括三維像素重疊搜索和硬件輔助近似計算三維像素等技術(shù)，降低了對本地內(nèi)存的需求，此外還提升了電源效率，以適應(yīng)未來的邊緣機器人和增強現(xiàn)實應(yīng)用。

利用事件驅(qū)動可視化數(shù)據(jù)處理單元（EPU），降低基于深度學習的視頻流分析的功耗

論文：一個0.05pJ/像素 70fps FHD 1Meps事件驅(qū)動的可視數(shù)據(jù)處理單元

重要意義：基于實時深度學習的可視數(shù)據(jù)分析主要用于安全和安保等領(lǐng)域，要求在多個視頻流中能夠快速檢測對象，因而需要較長計算時間和高內(nèi)存帶寬。通常會對這些攝像頭中的輸入幀進行下采樣，以便讓負載降到最低，這樣就降低了圖像精度。在本項研究中，英特爾演示了一個事件驅(qū)動的視覺數(shù)據(jù)處理單元(EPU)在結(jié)合新穎的算法之后，可指示深度學習加速器僅使用基于運動的“目標區(qū)域”來處理視覺輸入。這種新型方法緩解了邊緣視覺分析中的密集計算和高內(nèi)存要求。

擴展本地內(nèi)存帶寬，以滿足人工智能、機器學習和深度學習應(yīng)用的需求

論文：針對內(nèi)存帶寬有限的工作負載而設(shè)計的2倍帶寬突發(fā)6T-SRAM

重要意義：很多AI芯片，尤其是那些用于自然語言處理的芯片（如語音助理），日益受到本地內(nèi)存的制約。為應(yīng)對內(nèi)存方面的挑戰(zhàn)，需要提供倍頻或增加內(nèi)存插槽的數(shù)量，但其代價是功耗和面積效率變低，對于面積受限的邊緣設(shè)備而言尤其如此。通過這項研究，英特爾展示了如何使用6T-SRAM陣列，以便在突發(fā)模式下根據(jù)需要提供2倍的讀取帶寬，其能效比倍頻高51%，面積效率則比倍增內(nèi)存插槽數(shù)量高30%。

全數(shù)字二進制神經(jīng)網(wǎng)絡(luò)加速器

論文：采用10納米FinFET CMOS的617TOPS/W全數(shù)字二進制神經(jīng)網(wǎng)絡(luò)加速器

重要意義：在功率和資源受限的邊緣設(shè)備中，某些應(yīng)用可接受低精度輸出，因而可將模擬二進制神經(jīng)網(wǎng)絡(luò)(BNN)作為更高精度神經(jīng)網(wǎng)絡(luò)的替代品。后者的計算要求更高，并且有密集內(nèi)存要求。然而，模擬BNN的預(yù)測精度較低，因為它們對過程變化和噪聲的容忍度較低。通過本研究，英特爾演示了全數(shù)字BNN的使用，它具有類似于模擬輸入內(nèi)存技術(shù)能效，同時又為先進過程節(jié)點提供了更好的魯棒性和可擴展性。

2020 VLSI研討會上介紹的其他英特爾研究包括以下論文：

●?未來計算：數(shù)據(jù)轉(zhuǎn)型如何重塑VLSI

●?適用于10納米CMOS的高性能圖形/AI處理器的低時鐘功率數(shù)字標準單元IP

●?適用于具有動態(tài)電流控制的多核SoC的一種自主重構(gòu)功率輸出網(wǎng)絡(luò)(RPDN)

●?3D單片異構(gòu)集成實現(xiàn)300毫米硅片(111)上的GaN和Si晶體管

●?低擺幅和列多路復(fù)用位線技術(shù)，適用于10納米FinFET CMOS的低Vmin、耐噪聲、高密度1R1W 8T位單元SRAM

●?一種具有動態(tài)電流控制的雙軌混合模擬/數(shù)字LDO，適用于可調(diào)諧的高PSRR和高效率

●?一種435MHz、600Kops/J的抗側(cè)信道攻擊加密處理器，適用于14納米CMOS的安全RSA-4K公鑰加密

●?一種14納米CMOS的0.26% BER 10^28抗建模挑戰(zhàn)響應(yīng)PUF，具有穩(wěn)定性感知對抗挑戰(zhàn)選擇（Stability-Aware Adversarial Challenge Selection）功能

●?一種6000倍時域/頻域泄漏抑制的抗SCA AES引擎，采用非線性數(shù)字低漏失調(diào)節(jié)器，并與14納米CMOS的運算對策級聯(lián)

●?帶重金屬雙層底部電極的SOT-MRAM CMOS兼容工藝集成和帶STT輔助的10ns無場SOT轉(zhuǎn)換

●?采用柵極調(diào)制自折疊寫入輔助的10納米SRAM設(shè)計，能夠以微乎其微的電能開支使VMIN減少175毫伏