中山大学首次在芯片设计顶级期刊JSSC上发表一作论文

1

中山大学首次在芯片设计顶级期刊JSSC上发表一作论文

2023年3月，电子与信息工程学院（微电子学院）李显博副教授课题组与香港科技大学电子与计算机工程系俞捷教授合作，在高速光接收芯片研究方面取得重要进展，相关成果发表于芯片设计领域国际顶级学术期刊IEEE Journal of Solid-State Circuits 。

高速光接收机在光纤通信、无线光通信、激光雷达等领域具有广泛应用。在传统的高速光接收机中，提高光电探测器件的有源感光面积往往会增大器件的寄生电容和载流子渡越时间，从而降低系统带宽。因此，现有的高速光接收机的有源感光面积往往比较小，不仅会影响接收光功率及信噪比，而且也增加了光路对准的难度。针对这一难题，课题组突破传统高速光接收前端架构的局限性，提出并验证了一种采用自适应直流光电流消除技术的新型差分双探测器光接收前端架构。

该架构采用差分方式连接两个光电二极管，并引入自适应的直流光电流消除电路来解决差分连接的光电二极管所导致的直流失调问题，从而可以在不影响带宽、噪声等关键性能的前提下将现有高速光接收机的感光面积提高一倍，极大改善了光接收机的性能。与已有的差分光接收前端需要两束差分入射光不同，所提出的新型差分光接收前端可对单束入射光实现差分接收，大大降低了系统复杂度。此外，该研究还提出一种基于差分对结构的电流复用跨阻放大器，以进一步提高光接收机的灵敏度。芯片测试结果表明，所提出的新型差分光接收前端架构能将光接收芯片的误码率降低三个数量级，具有重要的科学和应用价值。

出版信息

标题:

Dual-Photodiode Differential Receivers Achieving Double Photodetection Area for Gigabit-Per-Second Optical Wireless Communication

出版信息:

IEEE Journal of Solid-State Circuits，01 March 2023

DOI:

10.1109/JSSC.2023.3247950

2

微电子所在二值化神经网络宏级存内计算芯片设计领域取得进展

近年来，非易失性存内计算（nvCIM）作为一种新兴的体系架构，为在资源有限的边缘系统中处理数据密集型的人工智能（AI）任务提供了可能。基于阻变存储器（RRAM）的存内计算技术是实现nvCIM的有力竞争者。通过将神经网络中的权重矩阵部署到RRAM交叉阵列上，利用欧姆定律和基尔霍夫定律加速矩阵向量乘法计算，可显著降低数据在计算和存储单元之间的搬运，从而增加系统的推理速度和能效。但现有的nvCIM架构在匹配边缘AI系统方面还存在一些挑战：软件方面，由于传统深度学习算法所需的精度高，导致存储和计算成本的提升；硬件方面，模数转换器（ADC）和灵敏放大器（SA）等外围电路的使用大幅增加了芯片的面积和功耗。

针对这些问题，微电子所微电子器件与集成技术重点实验室刘明院士团队开发了一款面向二值神经网络（BNN）的数字型RRAM宏级存内计算芯片（3T2R-Macro）。通过使用分压原理映射二值神经网络权重矩阵，利用反相器将乘加计算结果量化为稳定的电压输出。该设计省去了外围ADC或SA，有效减少了芯片面积、能耗和延迟，提高了对噪声的鲁棒性。团队还利用软—硬件协同设计方法，通过调节反相器供电电压，实现了3T2R-Macro片上二值卷积神经网络模型中批量归一化（Batch Normalization）和激活函数（Activation）计算。该3T2R-Macro设计在CIFAR-10和MNIST数据集上分别实现了86.2%和95.6%的识别率。180 nm工艺节点仿真结果表明芯片最小计算延时为8 ns，峰值能效为51.3 TOPS/W。相较于已报道的基于电流累积型模拟nvCIM设计，3T2R-Macro节省了10%的芯片面积和30%乘加计算能耗，提升了20%系统鲁棒性。这一研究结果为在资源有限的边缘系统部署AI任务提供了一种高效的解决方案。

出版信息

标题:

An ADC-less RRAM-based Computing-in-Memory Macro with Binary CNN for Efficient Edge AI

出版信息:

 IEEE Transactions on Circuits and Systems II: Express Briefs，02 January 2023

DOI:

10.1109/TCSII.2022.3233396

转自：“科研之友 ScholarMate”微信公众号

如有侵权，请联系本站删除！