存算一体白皮书（2022年）-中国移动研究院_24页_23mb

存算一体白皮书总结

核心内容

存算一体是一种融合存储与计算的新型计算架构，旨在解决传统冯·诺依曼架构下的“存储墙”和“功耗墙”问题，提升计算能效。该技术被中国移动视为算力网络的重要组成部分，并被列为算力网络十大关键技术之一。通过将存储与计算融合，存算一体有望成为数字经济时代的核心生产力。

主要观点

• 存算一体技术是突破传统计算架构瓶颈的关键路径。
• 存算一体技术涵盖三种主要方案：近存计算（PNM）、存内处理（PIM）和存内计算（CIM）。
• 存内计算（CIM）是狭义的存算一体，具有更高的能效比，适用于AI算法加速，如卷积神经网络（CNN）和循环神经网络（RNN）。
• 存算一体技术面临诸多挑战，包括新器件成熟度低、电路设计不成熟、芯片架构通用性差、EDA工具链不完善、软件及算法生态不健全。
• 中国移动提出五大发展建议，旨在推动存算一体技术成熟和产业化进程。

关键信息

存算一体技术分类

1. 近存计算（PNM）

   • 通过先进封装技术将存储与计算单元集成，提升访存带宽。
   • 典型产品包括高带宽内存（HBM）和可计算存储设备（CSD）。
   • 适用于人工智能、大数据、边缘计算等场景。

2. 存内处理（PIM）

   • 在芯片内部实现计算与存储的紧密集成，提升计算效率。
   • 典型方案如HBM-PIM和PIM-DIMM。
   • 适用于语音识别、数据库索引、基因匹配等场景。

3. 存内计算（CIM）

   • 存储与计算完全融合，实现高能效计算。
   • 通过不同存储介质的物理特性，实现计算与存储的协同。
   • 典型应用场景包括AI推理，尤其适用于大规模数据处理。

存内计算存储器件分析

存算一体应用场景

1. 端侧

   • 适用于需要本地处理的场景，如智能眼镜、耳机、摄像头等。
   • 能效比显著优于传统方案，且成本较低。

2. 边侧

   • 用于云游戏、车联网等边缘计算场景。
   • 对时延、功耗和通用性要求较高，存算一体芯片能有效满足这些需求。

3. 云侧

   • 用于大规模AI训练与推理，尤其是非结构化数据处理。
   • 需要高算力、高带宽、低功耗的芯片，存算一体有望成为下一代AI芯片技术。

技术挑战

1. 新器件成熟度低，制造工艺难升级

   • 新型存储器件如RRAM、PCM、MRAM在一致性、寿命和可靠性方面存在差异，影响产品性能。

2. 电路设计影响芯片算效提升

   • 存算一体芯片的电路设计尚不成熟，需进一步优化。

3. 芯片架构场景通用性及规模扩展能力较差

   • 当前存内计算芯片支持的算子种类有限，缺乏通用性。

4. EDA工具链尚未健全

   • 缺乏标准单元库、仿真验证工具和建模评估工具，影响研发效率。

5. 软件及算法生态不完善

   • 缺乏通用开发环境和编译器，限制了存算一体芯片的广泛应用。

发展建议

1. 协同先进封装技术，实现不同方案结合

   • 推动RRAM、PCM、MRAM等新型器件与先进工艺兼容，实现优势互补。

2. 优化电路与芯片架构，保障能效与演进能力

   • 加强存算阵列及周边模块电路设计，构建通用芯片架构。

3. 加速EDA工具孵化，缩短研发周期

   • 建立涵盖仿真、可靠性、低功耗、计算模块设计的EDA工具链。

4. 构建开发生态与编程框架

   • 推动开源及标准生态，搭建面向存算一体的编程框架。

5. 产学研紧密协同，推动端侧到云侧演进

   • 建立端到端技术栈，拉通器件、芯片、工具链、软件生态、产业方案等全链条。

产业发展倡议

中国移动呼吁产学研界紧密合作，共同攻关存算一体核心技术，推动产业链上下游协同发展，加快存算一体产业化进程。通过标准制定、开源推动、产业合作等方式，构建从底层芯片到上层应用的繁荣生态，助力我国在先进计算领域实现高水平自立自强。