存算一體化是指將傳統以計算為中心的架構轉變為以數據為中心的架構，它可以突破馮·諾伊曼架構下存算分離的瓶頸，直接利用存儲器進行數據處理，從而把數據存儲與計算融合在同一芯片中，極大提高計算并行度與能效比，特別適用于深度學習神經網絡領域，如可穿戴設備、移動設備、智能家居等場景。

在上期的文章里，我們介紹了新型非易失性存儲介質ReRAM用于存算一體大算力AI芯片的優勢，今天我們來介紹另一種常見的存儲介質——SRAM。

SRAM的全稱是靜態隨機存取存儲器(Static Random-Access Memory, SRAM) 是隨機存取存儲器的一種。

所謂“靜態”，是指只要保持通電，寫入的信息就不會丟失，讀出時也不破壞存儲的信息。這種“靜態”是相對于動態隨機存取存儲器(Dynamic Random-Access Memory,DRAM) 而言的。后者由于存儲位元是基于電容器的電荷量進行存儲，電荷量會隨著時間和溫度的變化而減少，因此需要定期刷新來保持原有的記憶信息。但無論是SRAM還是DRAM，都屬于易失性存儲器，在斷電后就會丟失數據。

SRAM 的基本結構

一個經典的6-T SRAM cell結構如下：1個bit (基本存儲單元) 由6個晶體管構成，主要包括2個CMOS反相器，以及2個控制管。具體而言，每個反相器包括1個PMOS和1個NMOS，分別將信號反轉后輸入到另一反相器中，組成交叉連接的鎖存結構，其輸入輸出由2個NMOS控制，存儲和讀取需要的信息。

SRAM在存算一體中的應用

?

在學術領域，SRAM憑借其高成熟度和高存取速度成為了存算一體領域里的熱門研究對象；在市場應用方面，SRAM作為傳統存儲介質適合IP化，SRAM存算一體在中小算力、端側、對待機功耗無要求的場景，例如：可穿戴設備、邊緣計算、無人車等市場具有一定的應用價值。但也因其單元面積大、靜態功耗高、易失性、對PVT變化敏感、存儲密度低、密度提升潛能較低、成本高等特點，在應用于一些大算力、大容量、高密度集成的大型神經網絡計算場景時會受到較多限制。

SRAM應用于大型神經網絡計算的兩大挑戰

#1漏電流

當SRAM應用于存算一體架構，由于SRAM即使待機也會產生靜態漏電功耗，因此，大量的SRAM封裝在一起，實現巨量的并行計算（讀取操作）要解決巨大的電流電壓波動問題和功耗問題。所以對企業來說，實現SRAM大容量和高并行度讀取（高算力）的設計和工程落地有著較高的工藝和設計門檻，會導致設計和工程成本極高，成為了基于SRAM的存算一體技術商用路上較難跨越的阻礙。

在未來的車載和數據中心的應用場景中，SRAM的高功耗，和器件特性對溫度比較敏感等特性，還可能導致用電量高和運行不穩定。

#2密度

SRAM基本單元是由6個Transistor組成的鎖存結構，密度相對來說較低。存儲單元在做存算的時候，需要更多Transistor進行控制，比如使用8T、10T或更多Transistor的架構，導致了面積大、單位密度受限。

同時，SRAM算力的提升主要靠工藝制程的升級，器件本身在密度上難以實現大規模突破。

上期提到，ReRAM的微縮性有著天然的優勢，不主要靠CMOS制造工藝的升級就可以實現每代密度翻倍。

在未來，大型神經網絡參數動輒幾個GB，SRAM難以容納如此大的參數，很難跟上AI模型規模的發展節奏。相比之下，基于ReRAM的存算一體芯片可以輕易做到高密度，而億鑄科技的方案還能夠實現多芯片互聯，從芯片系統角度進一步提升密度和算力。

億鑄科技選擇基于ReRAM的全數字化存算一體技術，無需ADC/DAC模數和數模信號轉換器，不會受到信噪比的影響，精度可以達到32bit甚至更高，既不會產生精度損失，也不會面臨模擬計算帶來的諸如IR-DROP等問題，非常適合實現大算力、高精度、高能效比的存算一體AI芯片。

審核編輯：湯梓紅