自旋电子学突破，新型CIM芯片提速AI

该团队用于评估 nvDCIM 芯片的实验和测量平台。来源：Nature Electro

在人工智能技术深度渗透各行业的当下，高效数据处理成为 AI 系统突破性能瓶颈的核心诉求。大多数 AI 系统需要快速分析海量数据以实现精准预测和任务执行，但现有电子设备中处理单元与存储单元的分离设计，导致数据传输过程中存在延迟高、能耗大的固有缺陷，严重制约了 AI 算法的运行效率。

为解决这一行业痛点，过去数年，全球工程技术领域掀起了新型 AI 硬件的研发热潮，内存计算（CIM）系统成为关注焦点。CIM 系统是一种集计算与存储功能于一体的创新电子元件，能够同时充当处理器和非易失性存储器。其核心优势在于 “非易失性”—— 即便系统断电，存储的数据也不会丢失，这一特性使其在减少数据传输、提升运行效率方面具备天然优势，被视为下一代高效 AI 硬件的核心发展方向。

然而，此前主流的 CIM 设计大多依赖模拟计算方法，这类方案通过利用电流进行计算，虽能实现较好的能效表现，但存在难以攻克的技术短板。模拟计算的精度远低于数字计算方法，这使得传统 CIM 系统无法可靠处理大型 AI 模型或海量数据，在复杂场景下的实用性受到极大限制，也阻碍了其在高端 AI 应用中的规模化落地。

近期，南方科技大学、西安交通大学等科研机构的研究团队取得重大技术突破，成功开发出一款基于自旋转移力矩磁随机存取存储器（STT-MRAM）的新型 CIM 芯片。该芯片有效弥补了传统 CIM 系统的精度缺陷，能够助力 AI 模型实现更快、更节能的运行，相关研究成果已发表于《自然电子学》杂志，为 AI 硬件的技术革新注入了新的活力。

作为一种先进的自旋电子器件，STT-MRAM 的核心结构是磁隧道结（MTJ），这种微小结构由三层关键组件构成：一层磁化方向固定的磁性层、一层磁化方向可调控的磁性层，以及介于两者之间的超薄绝缘层。其工作原理基于磁电阻效应：当两层磁性层的磁化方向平行时，电子能轻松隧穿绝缘层，器件电阻处于低水平；而当磁化方向相反时，器件电阻会显著增大，电子流动受阻。STT-MRAM 正是利用这两种截然不同的磁化状态，分别对应存储二进制信息单元中的 “0” 和 “1”，实现数据的稳定存储。

“非易失性 CIM 宏（芯片内部预设的功能模块，兼具数据处理与存储能力）可大幅减少处理单元与存储单元之间的数据传输，从而实现快速且节能的人工智能计算。” 研究团队成员李虎淼、柴铮及其同事在论文中解释道。“但传统非易失性 CIM 架构普遍依赖模拟计算，在精度、可扩展性和鲁棒性方面存在明显局限性。为此，我们研发了基于 40 纳米 STT-MRAM 技术的 64kb 非易失性数字内存计算宏，有效解决了这一核心难题。”

这款新型 CIM 模块的核心创新在于实现了 “计算与存储一体化” 的数字化升级。与传统模拟 CIM 不同，该模块在位单元级别实现了原位乘法和数字化处理，在宏级别设计了精度可重配置的数字加法和累加功能，并在算法层面优化了切换速率感知的训练方案。这种全链路的数字化设计，不仅彻底摆脱了模拟计算的精度束缚，还赋予了芯片灵活的适配能力 —— 支持 4 位、8 位、12 位和 16 位等多种输入和权重精度，可实现无损矩阵 - 向量乘法运算。

在初步性能测试中，该 CIM 模块展现出卓越的综合表现。测试结果显示，其在 8 位精度下运行残差网络，以及在 16 位精度下运行物理信息神经网络时，均能实现与专业软件等效的推理精度，完全满足复杂 AI 模型的运行需求。在计算效率方面，该模块同样表现突出：在 4 位至 16 位精度范围内，完成完全并行矩阵向量乘法的计算延迟仅为 7.4–29.6 纳秒，能效更是达到每秒每瓦 7.02–112.3 万亿次运算，较传统硬件实现了质的飞跃。

这一技术突破具有重要的行业意义，为 AI 硬件的可扩展性发展奠定了关键基础。传统 AI 硬件受限于数据传输和精度瓶颈，难以在便携式设备等资源有限的场景中高效部署。而这款新型 CIM 芯片凭借低延迟、高能效、高精度的优势，未来有望推动 AI 技术在智能手机、可穿戴设备等便携式终端的节能部署，让终端设备具备更强的本地 AI 处理能力，不再过度依赖大型数据中心的算力支持，进而拓展 AI 应用的场景边界。

从行业发展来看，该研究成果也为自旋电子学在 AI 硬件领域的应用提供了成功范例。未来几年，随着技术的持续迭代，基于 STT-MRAM 或其他自旋电子器件的类似 CIM 系统有望加速涌现，推动 AI 硬件行业进入 “计算 - 存储一体化” 的全新发展阶段。同时，该技术的普及也将进一步降低 AI 系统的部署成本和能耗，为人工智能产业的可持续发展提供核心硬件支撑，助力更多 AI 创新应用落地生根。

在全球 AI 算力竞争日益激烈的背景下，这款新型 CIM 芯片的诞生，不仅解决了传统 AI 硬件的核心痛点，更展现了自旋电子学与内存计算技术融合的巨大潜力。随着研究的深入和技术的规模化应用，人工智能系统有望在效率、能耗和场景适配性上实现全面升级，为各行业的数字化转型注入更强劲的动力。