【直播】【CIE云讲堂】新型计算范式专题
活动名称：
【CIE云讲堂】新型计算范式专题
活动时间：
2022年8月21日（周日）14:00
报告嘉宾：
缪峰 教授（南京大学物理学院）
乔飞 副研究员（清华大学）
孙仲 研究员（北京大学）
主办单位：
中国电子学会
承办单位：
中国电子学会学术交流中心
生命电子学会分会
生物医学电子学会分会
直播通道
蔻享学术直播间 |
活动日程
8月21日
报告详情
报告题目：面向未来计算的二维材料研究
缪峰 教授
南京大学物理学院副院长
报告简介
随着海量数据的不断增长，未来社会对计算能力提出了更高的需求。但是，随着器件小型化趋于极限，计算能力很难再通过提高器件集成密度继续增加。此外，冯诺依曼架构中的存算分离设计也使得传统计算硬件在处理海量数据时面临高功耗的挑战。二维材料有望成为未来重要的基础电子与光电子材料，不同的二维材料还可以作为“原子乐高”的基本结构进行可控转移和垂直堆垛，形成众多具备原子尺度和丰富功能的垂直异质结，这也为面向未来计算的电子器件应用提供了前所未有的机会。在这次报告中，报告人将展示二维材料物性调控与“原子乐高”电子学如何在发展未来的计算技术中发挥重要作用，例如类脑计算与存内计算。一个很好的例子就是利用“原子乐高”构建具有原子锐度界面和优异热稳定性的超高鲁棒性忆阻器，未来类脑计算芯片的其他组件也可以利用二维材料和垂直异质结来构建，例如类神经元和可重构突触器件。另一个很有前景的应用是类脑视觉传感器。考虑到“原子乐高”异质结能够以天然的方式模拟人类视网膜中神经元和突触的垂直分层分布，我们提出并在实验上实现了一种可用于信息同步探测与处理的可重构神经网络视觉传感器，并在此基础上实现了一种可用于视觉感知的原型神经形态视觉系统。最后，面向未来进一步提升算力与计算能效比的要求，报告人团队提出了一种基于频分复用技术的大规模并行计算方案，在忆阻器阵列中实现了对存储数据的并行读取和矩阵相乘运算的并行处理，并利用该方案演示了对16副图像的一步识别。报告人团队工作展现了二维材料在发展未来高算力与高能效比计算技术中的重要潜力。
报告题目：基于模拟信号处理范式的智能持续感知芯片
乔飞 副研究员
清华大学
乔飞，博士，清华大学电子工程系副研究员，博导。乔飞在智能感知集成电路设计和智能感知技术应用领域的国际会议、期刊发表多篇学术论文（如ISSCC，DAC，ICCAD，ISLPED，IROS，ICRA等和TCAS-I，TCAS-II，TVLSI，TC，TCAD等）；并获得授权发明专利 30 余项；2019年获第二十三届全国发明展览会发明创业奖，项目奖（金奖）；2022年获ASP-DAC会议集成电路设计比赛特别奖和DAC会议论文Publicity Paper。乔飞曾担任IEEE协会VSPC TC Publicity subcommittee主席， DISPS TC Election Subcommittee主席，以及中国计算机学会嵌入式系统专委会委员、集成电路设计专业组委员和智能机器人专业组委员；中国人工智能学会神经网络与计算智能专业委员会委员；中国图形图像学会图像智能边缘计算专业委员会委员。乔飞目前主要研究方向包括低功耗集成电路设计、智能感知集成电路与系统设计。乔飞是低功耗感知集成电路创新企业“每刻深思”的联合创始人。
报告简介
设计和实现具有持续智能感知能力的集成物联网节点是实现各种终端设备智能化的必由之路，也是解决当前物联网系统功耗、实时性和安全隐私性难题的关键技术。本报告提出面向智能持续感知的“传感-计算”共融体系架构和集成电路设计方法，将面向视觉、听觉和触觉等多模态感知和多场景感知的需求，设计能够持续开机工作的智能持续感知芯片和超低功耗物联网节点。相关“传感-计算”共融智能持续感知架构和低功耗模拟/混合信号集成电路设计技术，以及体系化的设计方法将是在新兴需求下对于传统数字化感知处理体系的显著拓展，也必将对于超低功耗智能持续感知芯片的设计引领新的设计方向。
孙仲 研究员
北京大学
孙仲，北京大学研究员，博雅青年学者。长期从事阻变存储器及新兴计算范式研究，如模拟计算、存内计算、神经形态计算。在PNAS、Science Advances、Nature Communications、IEEE TCAS-I/II等期刊发表论文数十篇；设计了计算操作最高效的RRAM基存内逻辑电路；原创性提出模拟矩阵计算，发展了其基本理论，设计了一系列具有最低计算复杂度的矩阵计算单元。多项研究成果连续被写入国际电子器件与系统发展路线图（IRDS），2019年获意大利知识产权一等奖，2021年入选国家高层次海外人才计划。主持或参与国家重点研发计划专项，自然科学基金委重大研究计划、青年科学基金等项目或课题。
报告简介
矩阵计算无处不在，从云端的科学计算、深度学习到边缘端的无线通信、信号处理，从复杂的量子模拟到简单的线性拟合。在传统的数字计算机上，矩阵计算一般具有较高的复杂度，如O(N3)。在大数据时代，各类应用场景都面临数据量爆炸式增长的趋势，如大规模AI模型、超大规模MIMO系统，给计算机性能带来巨大挑战。然而，受器件的物理极限、架构的内在瓶颈两方面限制，传统计算机的性能提升趋于饱和。为了解决计算需求与性能瓶颈之间的“剪刀差”困境，我们提出模拟矩阵计算（AMC），以最低复杂度完成各类矩阵计算。早期的模拟计算主要用于微分方程求解，AMC则面向新时代应用更普遍、需求更强烈的矩阵计算加速。AMC电路主要基于阻变存储器阵列设计，可以接近O(1)的时间复杂度实现矩阵乘法、求逆、广义逆、特征向量等基本矩阵运算。针对具体计算任务，AMC实现了超出传统数字计算机三个数量级的性能提升。
推荐阅读
编辑：王亚琨
蔻享学术 平台介绍
蔻享学术平台，国内领先的一站式科学资源共享平台，依托国内外一流科研院所、高等院校和企业的科研力量，聚焦前沿科学，以优化科研创新环境、传播和服务科学、促进学科交叉融合为宗旨，打造优质学术资源的共享数据平台。
识别二维码，
下载 蔻享APP 查看最新资源数据。
点击阅读原文，查看更多精彩报告！