摘要：人工智能芯片在当前新一轮人工智能浪潮中扮演着重要基础设施作用。对近期人工智能芯片技术领域的主要发展动向进行了综合评述。首先介绍美欧近期对发展人工智能芯片产业所采取的政策措施,随后分析了人工智能芯片技术的当前发展趋势,最后从应用角度概述人工智能芯片技术的发展瓶颈。综述表明,美欧高度重视人工智能芯片技术发展与产业布局;分布式协同训练技术、三维异构集成技术、基础大模型辅助芯片设计技术、云端芯片间通信技术等,正在成为未来人工智能芯片技术的重要发展方向;面向日趋具化、挑战性强化的应用场景,人工智能芯片在信号处理与通信、目标识别与分类、自动化辅助决策等方面,尚存诸多技术发展瓶颈,需要引起重视。

摘要：阐述数据在片内和片外之间的传输过程所消耗的能量远大于数据计算所消耗的能量。而现代深度学习模型的数据量很大,无法全部放入片内存储器,必然存在数据在片内和片外之间的传输。因此,减少数据的移动成为设计人工智能芯片的重要原则。数据复用是利用数据在同一种计算过程中,多次参与计算的特点,减少数据移动的方法。探讨数据复用的方案,提出一种衡量数据复用程度的方法。

摘要：人工智能芯片是专门用于高效执行人工智能计算任务的芯片。中国电子科技集团公司第三十八所研制了一款针对边缘侧深度学习模型推理计算的人工智能芯片,主要面向雷达图像目标识别、色选机图像智能处理等应用。该芯片是一个异构的SOC芯片,由中央处理核心、神经网络加速核通过片上总线互联形成,峰值算力达到16TOPS(INT8)。FCOS模型是一个先进的单阶段无锚框目标检测深度学习模型,该模型首次提出的核心原理已经被一些新的目标检测网络模型采用。该文研究FCOS深度学习模型在该人工智能芯片上的部署,并研究片上存储器大小、DDR带宽、DDR配置、算力、数据类型等因素对FCOS深度学习模型部署的性能和检测效果的影响。可以为深度学习模型部署技术研究人员、人工智能芯片设计人员提供参考。

摘要：针对卷积神经网络加速器中有关于脉动阵列模块的验证,提出并实现了一种基于直接编程接口C(DPI-C)程序的验证平台,采用内嵌DPI-C程序并利用通用验证方法学(UVM)满足脉动阵列模块中的浮点数乘加运算的验证需求;实验利用了SystemVerilog中的DPI接口技术,在验证平台中实现对C或C++代码的调用,通过编写C函数来实现复杂的参考模型,浮点数乘加运算便是利用C代码编写的;验证平台的整体结构是根据UVM来设计的,其中包括激励的设计、参考模型的编写、数据校对等组件,整个验证平台高效、简洁;此平台已经应用于人工智能芯片的验证工作中,编写的测试用例可以对脉动阵列进行充分验证,覆盖率达到了100%;验证平台可以保证脉动阵列验证的全面性、高效性并且调试纠错简单方便,同时还实现了UVM环境和测试用例的重用。

摘要：随着人工智能技术的飞速发展,军用智能软件已经成为世界主要发达国家在军事领域的重点研究方向。目前,各国都在不断增加对人工智能技术的资金投入以及产业布局,目的是加快人工智能技术的发展与实际军事应用,以提高本国的军事优势。军用智能软件作为实现人工智能技术在军事领域应用的载体,目前已在态势感知、智能决策、语音交互、协同作战等多个领域有了突破性进展,同时牵动了量子计算、脑机接口、智能芯片等多学科共同向前推进。因此,抢占军用人工智能领域的先机,是未来国家取得重大战略优势地位的必要条件。由于人工智能算法较于人类可以快速分析处理海量复杂信息,因此在未来军用智能软件将会在瞬时决策、智能侦查、自主作战、作战支持、全域协同等多个领域扮演重要角色,但同时算法的可靠性与可解释性也亟待提高。