本期报告人

　　陈迟晓

　　陈迟晓，复旦大学工程与应用技术研究院青年副研究员。2016年毕业于复旦大学微电子学院，获理学博士学位。2016年至2018年于美国华盛顿大学电子工程系任博士后研究员。研究领域包括人工智能处理器芯片、数模混合集成电路与面向机器人的软硬件协同设计。参与多款量产芯片开发，包括我国首款自主的CMOS 77GHz毫米波雷达传感器芯片等。发表 SCI/EI论文30余篇，2014年获ISSCC STGA奖。

　　随着人工智能与深度学习的迅速发展，经典计算机体系结构已经无法满足目前深度神经网络的算力需求。其主要矛盾体现在经典冯·诺依曼架构中的处理器/存储器带宽瓶颈。同时，领域专用、可重构计算和存内计算等新兴的体系结构不断涌现，出现了Google的TPU，IBM的TrueNorth，寒武纪的NPU等新型人工智能芯片。冯·诺依曼机的瓶颈在哪里？人工智能芯片如何突破冯式架构的瓶颈NineGameSports？陈博士为我们带来了深度解析。

　　本次报告，陈迟晓博士着重介绍深度学习对智能处理器体系结构、芯片设计带来的新机遇，并结合设计实例，介绍非冯·诺依曼架构的人工智能处理器芯片。

　　陈迟晓博士从图灵机的原理切入，解释了冯·诺依曼机的架构、演化，以及当现在经典的冯·诺依曼机遇上了深度学习时，它所面临的挑战。他从生物学的角度梳理了从神经元及其可塑性到神经网络的发展过程，并举例说明了神经网络在人工智能算法领域的成功。陈博士认为，现在的人工神经网络已经能够在很多方面取代人的工作，未来它将成为生活中不可或缺一部分。

　　现今诸如特斯拉、谷歌等巨头纷纷掷重金打造AI芯片，国内的格力公司也计划投入500亿制造AI芯片。陈博士解释其中缘由，像AlexNet这样简单的网络，现有计算机的算力已经很难实现，比它更复杂的网络架构对计算机的算力来讲更是严峻的考验；另一个方面，从摩尔定律的角度解释，计算电路的高速发展迫切需要高通信速率的接口位宽，而目前能够实现这种带宽的成本极为昂贵。因此，迫切需要一种专用于深度学习计算与处理的芯片。

　　现在的神经网络算法变化迅速，大概每3个月就会有新的算法诞生，但是芯片的面市周期可能长达2年，如何适应算法的快速更新也是当前研究的核心之一。陈博士强调解决这一难题的思路在于“可重构”、“可编程”。以卷积神经网络CNN为例，如果大小为3x3的核，每个矩阵最多被用到9次。陈博士介绍了在这方面所做的研究，即面向CNN数据复用的iFPNA阵列，它能够高效地降低对带宽的需求。最后，陈博士就目前利用存内计算来解决冯·诺依曼瓶颈的做法提出了反思。

　　报告最后，陈博士就PAD大小为何会限制通信速率、机器人的智能芯片和人工智能的芯片区别等问题与同学们展开交流。

　　工研院张丹教授主持本场学术讲座。

　　讲座现场

　　陈迟晓博士讲解中九游体育官网

　　陈迟晓博士与学生交流

　　讲座现场气氛活跃

　　主办单位：复旦大学工程与应用技术研究院

　　承办单位：复旦大学工研院研究生会

　　编辑：复旦大学工研院研会宣传部

　　长按二维码关注我们吧