MIT、浙大及清华团队研发感存算一体架构的AI芯片，通过类似“乐高”的堆叠方式为电子设备按需升级换代

随着技术的发展，智能手机、智能手环以及可穿戴设备等在使用一定时间后，会面临一个共性的问题，那就是当相关设备出现新型号或更新的功能后，旧设备将面临被淘汰或被暂停使用。

为解决这些问题，麻省理工学院（MIT）、哈佛大学、清华大学、浙江大学等科研团队联合设计了一款 AI 芯片，该芯片可在不更换设备的前提下，为传感器或处理器进行“自动升级”。

图丨 MIT 联合多团队创造了一种可重新配置的 AI 芯片，该芯片由可以相互通信的传感和处理元件的交替层组成（来源：）

这种芯片与搭建乐高积木的方式类似，可以实现传感器或处理器芯片的层层堆叠、重新配置。通过这种方式，可让设备实现“自动升级”，进而解决了因设备淘汰而产生的大量电子垃圾。与此同时，消费者也可因该芯片“一机多用”，避免支付更多购买设备的费用。

图丨 Nature Electronics 当期论文封面（来源：Nature Electronics）

6 月 13 日，相关论文以《使用具有嵌入式人工智能的可堆叠芯片的可重构异构集成》（）为题，以封面文章的形式发表在 Nature Electronics 上 [1]。

该论文共同第一作者为 MIT 电气工程与计算机科学系博士（Chanyeol Choi）、机械工程系助理研究员（Hyunseok Kim）、（Jihoon Kang）、博士后研究员（Min-Kyu Song），共同通讯作者为 MIT 机械工程系副教授（Jeehwan Kim）、浙江大学百人计划研究员、清华大学微电子研究所教授。

图丨相关论文（来源：Nature Electronics）

三维异构集成和先进的封装技术可用于改善传感器、内存和处理器之间的数据带宽。但是，由于其缺乏可重构性的硬件和冯·诺依曼体系结构的使用，这类系统在应用上往往具有局限性。

而该团队的策略是将光电器件阵列与基于忆阻器交叉阵列的神经形态核通过异构的方式集成在一块芯片上，用光电阵列完成 AI 芯片之间的通信。正因为这样，芯片能实现重新配置，层级之间也可交换或堆叠，例如添加新的传感器或处理器。

图丨边缘计算传感器计算系统集成技术（来源：Nature Electronics）

与传统路径不同的是，以往通常利用金属线进行芯片各电路层之间的信号传递，而这款芯片用光通信取代金属导线实现了堆叠芯片间的信号传输，突破了三维芯片堆叠中各功能层之间对于金属导线互联的依赖。这意味着，芯片各层之间可自由通信，并且使用者可按需实现计算层及传感器的“自由叠加”。

表示，“这不仅极大的降低了堆叠难度和成本，还开创了一种全新的、可重构的芯片集成方案——不同功能的芯片可以像拼装乐高玩具一样快速的组装在一起。”

图丨（来源：林芃）

该芯片的光通信系统包括成对的光电探测器以及 LED 阵列。光电探测器构成用于接收数据的图像传感器，LED 阵列负责将数据传输到下一层。

当图像像素信号（比如字母的图像）传递至图像传感器并完成计算后，会继续被编码成新的具备不同图案和强度的图像像素信号，通过 LED 阵列向下一层发射，实现不同神经形态网络间的信号传递。

（来源：MIT）

在这项工作中，AI 芯片的计算核心尺寸大概在 4 平方毫米左右，包含了三片可重构堆叠的图像识别模块，每个模块中含有图像传感器、光通信层和人工突触计算阵列，以识别并对 M、I 或 T 分类。随后，他们把随机字母的像素化图像照射到芯片，并测量每个神经网络阵列计算响应产生的分类结果。

根据测试结果，该团队发现 AI 芯片可将单独字母的清晰图像进行分类，但对于模糊图像 AI 芯片还无法区分，比如 I 和 T。此时，他们能很快地对 AI 芯片处理层进行更替，增加一块具备“去噪”功能的计算模块，从而提高了系统在高噪声场景下的图像识别能力。

图丨可堆叠异质集成神经形态芯片的组件（来源：Nature Electronics）

可重构三维异质集成技术可用于构造具备多种功能层的 AI 系统，该团队希望把该芯片在边缘计算设备上应用，或对传感器、其他电子设备达到“自给自足”的状态，并不受任何中央或分布式资源（如超级计算机或基于云的计算）限制工作。

“运用我们的芯片堆叠互联技术，可以很便捷地组装出异质异构的多功能芯片，同时具备感知、计算与存储功能。这种感存算一体的计算架构非常适合大数据背景下的人工智能应用，通过减少数据搬运来显著提高系统的能效比。”说。

该团队计划在现有工作基础上，进一步完善这项设计的细节，寻求更加合适的落地场景。

-End-

参考：

https://news.mit.edu/2022/stackable-artificial-intelligence-chip-0613

1.Choi, C., Kim, H., Kang, JH. et al. Reconfigurable heterogeneous integration using stackable chips with embedded artificial intelligence. Nature Electronics (2022). https://doi.org/10.1038/s41928-022-00778-y