经费预存选华算：重磅加码，高至30%预存增值
人工智能（AI）边缘设备因其在物联网、智能监控、自动驾驶等领域的广泛应用，受到了越来越多的关注。与传统的基于冯·诺依曼架构的计算处理器相比，AI边缘设备要求更高的计算精度、低功耗、高能效和快速的唤醒响应时间。这些需求使得边缘设备面临着巨大的挑战，尤其是在存储和计算资源有限的情况下，如何优化计算精度和能效成为了关键问题。传统的计算内存架构存在数据传输瓶颈（即“存储墙”问题），这不仅增加了能耗，还降低了系统的响应速度。此外，如何在存储容量、计算精度和功耗之间实现有效的权衡，也成为了AI边缘设备发展的重要难题。
在此，台积电张孟凡团队在Nature期刊上发表了题为“A mixed-precision memristor and SRAM compute-in-memory AI processor”的最新论文。该团队提出了一种混合精度异质计算内存（CIM）AI边缘处理器，结合了忆阻器CIM、SRAM-CIM和数字单元CIM架构，通过层级和内核级别的INT与FP混合模式配置，实现了计算精度、能效、存储容量和唤醒响应时间的优化。这一创新设计能够根据每一层的误差敏感性，自适应地选择不同的计算模式和存储结构，从而大幅提升了边缘处理器的性能。
在此基础上，研究人员还提出了一种基于层的INT-FP混合模式控制器，能够有效管理处理器的计算精度与能效，进一步提高了处理器的灵活性与适应性。通过这些设计，团队成功实现了高效的AI边缘计算，并在多个经典神经网络（如ResNet-20和MobileNet-v2）上获得了显著的性能提升，达到每瓦40.91 TFLOPS的能效和低于0.45%的精度降级。
（1）实验首次构建了一个具有较大空穴注入势垒的绿色发光钙钛矿LED（PeLED），并得到了该器件在低开启电压（2.0 V）下达到28.3%的最大外部量子效率（EQE）的重要结果。
（2）实验通过表面活性剂添加剂调节空穴浓度，显著提高了器件的光致发光效率和电子传输特性。添加剂的使用增加了钙钛矿表面的空穴浓度，从而改善了注入电子与空穴的双分子复合路径，合理解释了尽管存在较大的空穴注入势垒，PeLED依然能够实现低开启电压和高EQE的现象。
（3）实验发现，增加的空穴浓度不仅有助于降低开启电压，还通过提高光致发光效率进一步提升了器件的性能。这个现象表明空穴浓度的增强对高效PeLED的性能至关重要。
