深度学习广泛用于各种人工智能任务中，传统的深度学习加速器侧重于面向数据流的计算架构优化。然而传统冯·诺依曼体系结构所带来的「存储墙」问题日益突显，计算单元与存储单元间的频繁数据搬移造成了大量的能耗。
存内计算（computing-in-memory，简称 CIM）技术是解决「存储墙」问题的有效途径，但存内计算只能支持向量内积等有限运算。为支持完整的 AI 应用，该团队基于可重构计算架构，融合存内计算技术，设计了数模混合计算芯片（代号 Thinker-IM），在语音识别应用中实现了极低能耗。
为了获得极低的能耗，在算法层面上使用二值化的循环神经网络（RNN）建立语音声学模型，从而降低了计算复杂度并节省了存储开销。图 1 展示了基于二值化 RNN 的语音识别系统，包括前端信号处理、二值 RNN 声学模型处理以及译码输出。
图 1：基于二值 RNN 的语音识别系统
在硬件设计层面为了打破传统的冯·诺依曼体系结构的存储墙瓶颈，设计了数模混合计算架构。其中数字部分实现了必要的语音信号处理，而通过模拟计算方式在 SRAM 中实现了同或（XNOR）计算操作，并构建了基于 SRAM 存内计算（SRAM-CIM）的 RNN 计算模块。
该芯片使用 16 个 SRAM-CIM 宏单元完成 RNN 计算任务，从而避免了存储单元与计算单元的大量数据搬移所产生的能耗。当使用 SRAM-CIM 计算单元构建一颗全功能的语音芯片时，存在以下三方面挑战，如图 2 所示。
图 2：基于存内计算的语音芯片的实现挑战
挑战一：需要设计融合多个 SRAM-CIM 单元的计算架构和数据流调度方案。一般情况下，单个 SRAM-CIM 无法存下 DNN 中的全部权重。因此需要多个 SRAM-CIM 单元协同计算，需要考虑如何组织它们的计算方式。
挑战二：需要针对复杂 AI 任务设计多比特输出 SRAM-CIM 单元。对于简单 AI 任务（如手写体识别），SRAM-CIM 单元 1 比特输出精度可以满足识别需求。但对于复杂的识别任务（如语音识别），SRAM-CIM 单元 1 比特输出就会导致 Partial Sum（部分和）的精度损失，影响最终识别精度。
挑战三：RNN 推理过程是一种时域上的迭代计算，其计算过程相当耗时。我们发现在二值 RNN 中的累加过程中存在一些冗余计算。见图 2(c)，在累加过程中，如果中间数据足够大而超过剩余累加的最大值，将保证最终结果大于 0。此时剩余累加周期的计算就是冗余的，如能去除这些计算，将能够有效加速 RNN 计算。
Thinker-IM 架构如图 3 所示，主要包括语音信号处理部分和基于 CIM 的 RNN 计算引擎。芯片设计中三项关键技术分别针对性解决了上述三个问题。
图 3：Thinker-IM 芯片架构与计算数据流调度
关键技术 1：设计了数模混合架构并组织多 SRAM-CIM 单元计算方式，如图 3 所示。提出了「输出-权重」双稳定数据流架构，在计算时同时固定输出与权重，减少了数据的重复访问，其中权重被固定在 SRAM-CIM 单元中，部分和被固定在加法树中。
通过分割权重矩阵将 64 个输出神经元作为一组，进一步通过多周期累加得到最终输出。在每个周期，64 个输入被分为 16 组并转化为 SRAM 的字线激励，生成该组输出的部分和并对应在加法树中相加。
关键技术 2：设计了支持 XNOR 操作、3 比特输出的 SRAM-CIM 单元，提出了算法和硬件协同的 SRAM-CIM 能耗优化方法。如图 4 所示，存储单元采用了分割双字线设计（WLL/WLR）。输入数据转化为字线激励，而二值权重被存于存储单元中。此时，位线（Bitline, 简称 BL）的读电流依赖于输入与权重的组合。
存储单元引起的位线的充电、放电电流将分别代表输入-权重-乘积（IWP）为 1、-1。当同时激活 4 条 WL 时，存储单元的读电流在 BL 上累加而代表 4 个 IWP 的累加。最终利用 TSC 和 VSA 单元实现了串行的 3 比特 BL 输出。
图 4：3-b SRAM-CIM 单元结构、波形示例与先前工作对比
在 SRAM-CIM 的存储单元中，充电电流代表 IWP=+1，而放电电流代表 IWP=-1。为了更好地区分 BL 电压值，设计放电电流远大于充电电流。因此存储单元产生 IWP=-1 时的能耗要远远小于 IWP=+1，非对称电流将产生 1.5 倍左右的功耗差。
因此，我们考虑在训练过程中调整 RNN 权重从而产生更多的 IWP=+1 的情况，故在训练的损失函数中引入了正则项修正，并设计了具有感知 CIM 能耗的权重训练流程，如图 5 所示。随着反向传播误差并最小化损失函数，IWP=+1 的比例提高，从而降低能耗。最终在保证精度需求的情况下，在三个测试数据集中平均降低了 10.0% 的能耗。
图 5：具有 CIM 能耗感知的权重调整训练流程
关键技术 3：批标准化（Batch normalization，简称 BN）与二值化的预测机制与处理单元设计。由于 BN 是线性变化，标准二值化是与 0 的阶跃比较，因此 BN 与二值化的融合可以转化为直接与另一个参数 VTH0 的比较，其中 VTH0 由 BN 参数决定。
预测过程分为两个阶段，其一是利用剩余累加的上下界提前预测二值化结果。当中间结果超过或低于剩余累加值的上或下界时，将保证最终结果的正确性，因此我们称这阶段为精确预测，剩余累加值的上下界则组成了精确阈值。
深度学习的统计特性给 RNN 带来了出色的容错性，因此我们可以进一步放宽精确阈值，以一个更激进的阈值完成预测，此过程称为激进预测。
整体预测机制为：首先进行精确预测，如果在每轮精确预测的数量超过我们预先设定的一个参数 Nex 时，激活激进预测对剩余中间累加结果进行二值化。
图 6 展示了预测的流程和预测单元的设计。预测单元中包含 64 个预测通道，每个预测通道中使用累加器完成部分和的累加得到中间结果；使用比较器完成 BN 与二值化的融合操作；使用查找表的方式向比较器提供精确、激进阈值和 Nex 参数。最终在保证精度超过 90% 的情况下，在三个测试数据集中平均减少了 24.5% 的操作。
图 6：Batch normalization 与二值化的预测机制与预测单元设计
Thinker-IM 在 65nm CMOS 工艺下完成了流片，芯片面积为 6.2 mm2。在不同的电源电压和工作频率下，在每个神经元和每次推断的最低能耗分别为 5.1 pJ 和 3.36 uJ，每次推断的最低时延为 127.3 us，在能效和性能上都超过了之前工作。
分别在 Google Speech Commands, Hey snips, Smart home 三个语音数据集上对 Thinker-IM 进行测试，结果如图 7 所示。当不采取权重调整和预测机制时，在三个数据集上可以实现平均 92.3% 的精度。当分别采取上述两个优化方法后，可以在超过 90% 的识别精度下平均节省 10% 的能耗和 24.5% 的冗余操作。
图 9：芯片测试结果与工作对比表
Thinker 团队近年来基于可重构架构设计了 Thinker 系列人工智能计算芯片，相关成果相继发表在 VLSI Symposia、ISCA、IEEE JSSC 等顶尖学术会议和期刊上，受到了学术界和工业界的广泛关注。此次该团队设计了数模混合、存算一体新架构，并针对语音识别场景，设计了采用存内计算的数模混合语音芯片 Thinker-IM，为人工智能计算芯片的架构演进开拓了新方向。
