内存计算

Search documents
AMD收购两家公司:一家芯片公司,一家软件公司
半导体行业观察· 2025-06-06 01:12
如果您希望可以时常见面,欢迎标星收藏哦~ 来源:内容 编译自 AMD 。 AMD 周四证实,已收购 Untether AI 的员工,Untether AI 是一家 AI 推理芯片开发商,其产品 据称比边缘环境和企业数据中心的竞争对手产品速度更快、更节能。 AMD 发言人在一份声明中告诉 CRN:"AMD 已达成战略协议,将从 Untether AI 收购一支优秀 的 AI 硬件和软件工程师团队。" 该代表补充道:"此次交易将为 AMD 带来一支世界一流的工程师团队,致力于提升公司的 AI 编 译器和内核开发能力,并增强我们的数字和 SoC 设计、设计验证和产品集成能力。我们非常高兴 地欢迎该团队以其独特的专业知识加入 AMD。" AMD 发言人拒绝透露该交易的财务细节。 该公司最初的 runAI200 推理加速器采用台积电 16 纳米工艺制造,提供 500 INT8 TOPs 性能、 每瓦 8 TOPs 的能效和 200 MB 的 SRAM。新款"Boqueria"芯片采用台积电 7 纳米工艺制造,具 有 2 petaflops 的 FP8 性能(相当于每瓦 30 teraflops)和 238 MB 的 S ...
这将是未来的芯片?
半导体行业观察· 2025-04-21 00:58
如果您希望可以时常见面,欢迎标星收藏哦~ IEEE IEDM 会议由 IEEE 电子器件学会主办,是全球规模最大、最具影响力的论坛,旨在展 示晶体管及相关微纳电子器件领域的突破性进展。 在第 70 届 IEEE IEDM 会议上,他们以"塑造未来的半导体技术"分享了芯片的未来技术。我 们摘录如下,以飨读者。 先进的逻辑技术 基于纳米片的晶体管以及由纳米片构建的3D互补场效应晶体管 (CFET) 是延续摩尔定律微缩的关 键,因为现有的FinFET架构正在达到其性能极限。纳米片是一种环栅 (GAA) 晶体管架构,其中 硅堆叠的沟道完全被栅极包围。它们比FinFET具有更好的静电控制、相对较高的驱动电流和可变 的宽度。而CFET是高度集成的3D设计,其中n-FET和p-FET纳米片相互堆叠。这些堆叠器件可以 单片构建(在同一晶圆上),也可以顺序构建(在单独的晶圆上构建,然后进行转移和集成)。 堆叠器件本质上使晶体管密度翻倍,而无需增加器件尺寸,从而实现更强大的功能,并提高功率效 率和性能。在 IEDM 2024 上,多篇论文推动了以下领域的最前沿研究: 一、台积电全新业界领先的 2 纳米 CMOS 逻辑平台 台积电 ...
这将是未来的芯片?
半导体行业观察· 2025-04-21 00:58
如果您希望可以时常见面,欢迎标星收藏哦~ IEEE IEDM 会议由 IEEE 电子器件学会主办,是全球规模最大、最具影响力的论坛,旨在展 示晶体管及相关微纳电子器件领域的突破性进展。 台积电研究人员发布了全球最先进的逻辑技术。这是该公司即将推出的 2 纳米 CMOS(即 N2) 平台,旨在实现人工智能、移动和高性能计算 (HPC) 应用的节能计算。与目前量产的最先进的逻 辑技术——台积电自主研发的 3 纳米 CMOS(N3)平台(于 2022 年底推出)相比,该平台在芯 片密度增加 1.15 倍以上的情况下,速度提升 15%(功耗降低 30%)。 全新 N2 平台采用 GAA 纳米片晶体管;中/后端线路互连,以及迄今为止密度最高的 SRAM 宏 (约 38Mb/mm²);以及一个整体的、系统技术协同优化 (STCO) 架构,可提供出色的设计灵活 性。该架构包括可扩展的铜基重分布层和平坦钝化层(用于实现更佳性能、强大的 CPI 和无缝 3D 集成);以及硅通孔 (TSV)(用于通过 F2F/F2B 堆叠传输电源/信号)。研究人员表示,N2 平台 目前处于风险生产阶段,计划于 2025 年下半年实现量产。 N2 ...
晶体管,新突破
半导体芯闻· 2025-04-03 10:12
如果您希望可以时常见面,欢迎标星收藏哦~ 来源 :内容 编译自 dqindia ,谢谢。 该研究团队由新加坡国立大学设计与工程学院材料科学与工程系副教授 Mario Lanza 领导,为基 于硬件的人工神经网络 (ANN) 提供了一种高度可扩展且节能的解决方案。这使神经形态计算(芯 片可以更有效地处理信息,就像人脑一样)更接近现实。他们的研究于 2025 年 3 月 26 日发表在 《自然》杂志上。 将大脑放入硅片中 世界上最复杂的计算机已经存在于我们的大脑中。研究表明,人类大脑总体上比电子处理器更节 能,这要归功于近 900 亿个神经元,它们彼此之间形成了大约 100 万亿个连接,而突触会随着时 间的推移调整其强度——这一过程被称为突触可塑性,它是学习和记忆的基础。 几十年来,科学家一直试图利用人工神经网络 (ANN) 复制这种效率。ANN 近来推动了人工智能 (AI) 的显著进步,其灵感大致来源于大脑处理信息的方式。但是,虽然它们借用了生物学术语, 但相似之处只是表面的——基于软件的 ANN,例如那些为 ChatGPT 等大型语言模型提供支持的 神经形态计算旨在模仿大脑的计算能力和能源效率。这不仅需要重新 ...