基于NOR Flash的存算一体模拟乘加电路设计.pptxVIP

基于NOR Flash的存算一体模拟乘加电路设计.pptx

content

研究背景与技术挑战

核心技术原理与器件特性

电路架构与模块化设计

关键创新与性能优化策略

实验验证与系统级表现

应用前景与未来发展方向

研究背景与技术挑战

人工智能发展推动边缘计算对高能效硬件架构的迫切需求

AI算力激增

人工智能模型复杂度快速提升，边缘设备需承担更多实时推理任务。传统硬件难以满足低功耗、高能效的持续算力需求，能效瓶颈日益凸显。

边缘计算兴起

智能终端对本地化处理的需求增强，推动边缘计算快速发展。减少云端依赖可降低延迟与带宽压力，提升系统响应速度与隐私安全性。

内存墙制约

冯·诺依曼架构中数据搬运占据主要功耗与时间开销。频繁访存导致“内存墙”问题，严重限制深度学习负载的执行效率。

MAC运算主导

深度学习中乘累加（MAC）操作构成核心计算负载。高效实现MAC是提升整体能效的关键，亟需新型硬件架构支持原位计算。

传统冯·诺依曼架构面临“内存墙”问题导致功耗与延迟瓶颈

内存墙瓶颈

传统架构中数据在处理器与内存间频繁搬运，导致功耗激增与延迟升高。深度学习的大规模参数加剧了这一问题，形成严重性能制约。

功耗占比失衡

计算能耗远低于数据传输开销，搬运功耗可达计算的数十倍。这使得系统能效比低下，难以满足边缘设备低功耗需求。

延迟制约实时性

频繁访存造成显著延迟，影响AI推理响应速度。对于可穿戴、自动驾驶等实时场景，

更多 >