2023年12月11日发(作者：)

存算一体AI芯片

存算一体AI芯片

近日，三星电子在顶级学术期刊 Nature 上发表了全球首个基于 MRAM（磁性随机存储器）的存内计算研究，A crossbar array of

magnetoresistive memory devices for in-memory computing，January 2022。

存内计算由于毋需数据在存储器和处理器间移动，大大降低了 AI 计算的功耗，被视作边缘 AI 计算的一项前沿研究。

新计算架构填补MRAM空白

存算一体化技术路线，处于多种存储介质百花齐放的格局。根据存储器介质的不同，目前存算一体芯片的主流研发集中在

· 易失性存储器，如SRAM、DRAM

· 非易失性存储器，如RRAM，PCM，MRAM与闪存等

比较成熟的是以SRAM和MRAM为代表的通用近存计算架构，通常采用同构众核的架构，每个存储计算核（MPU）包含：

· 计算引擎（Processing Engine, PE）

· 缓存（Cache）

· 控制（CTRL）

· 输入输出（Inout/Output, I/O）

非易失性的RRAM（电阻式随机存取存储器）和PRAM（相变随机存取存储器）是存内计算最常用的两类存储器。对比其他存储器：

· MRAM磁阻内存在运行速度、寿命、量产方面都有明显优势

· 功耗也远低于传统DRAM

· 具有非易失的特点，即断电不会丢失数据

不过一直以来，MRAM磁阻内存很难用于内存内计算，因为在标准的内存内计算架构中无法发挥低功耗优势。

三星电子的研究人员构建了一种基于MRAM的新存内计算架构，填补了这种空白。通过结构创新，实现了基于MRAM(磁阻随机存取存储

器)的内存内计算(In-Memory Computing)，进一步拓展了三星的下一代低功耗人工智能芯片技术的前沿领域。

三星研究团队设计了一种名为“电阻总和”(resistance sum)的新型内存内计算架构，取代标准的“电流总和”(current-sum)架构，成功

开发了一种能演示内存内计算架构的MRAM阵列芯片，命名为“用于内存内计算的磁阻内存交叉阵列”(crossbar array of

magnetoresistive memory devices for in-memory computing)。

这一阵列成功解决了单个MRAM器件的小电阻问题，降低功耗，实现了基于MRAM的内存内计算。在执行AI计算时，MRAM内存内计算可

以做到98％的笔迹识别成功率、93％的人脸识别准确率。

论文研究并非和基于其他存储器的存内计算架构竞争。到目前为止，没有一种存储器类型在电子产品中占据绝对主导，因为不同类型的存储

器各有自身的优点和缺点。基于不同存储器的存内计算也可能发展成不同的架构。三星电子通过填补基于MRAM存储器的存内计算架构空

白，有助于存内计算发展。

如下图所示，这里缓存可以是SRAM、MRAM或类似的高速随机存储器。各个MPU之间通过片上网络（Network-on-Chip, NoC）进行连

接。每个MPU访问各自的缓存，可以实现高性能并行运算。基于高速缓存的通用近存计算架构

基于MRAM的存算一体主要有两种方案:

· 第一种方案是利用辅助外围电路，跟上述SRAM存算一体类似，如图（a）