我們認為半導體世界中的許多事情是理所當然的，但如果幾十年前做出的某些決定不再可行或最優了，我們應該怎么辦？我們看到了一個使用 finFET 的小例子，平面晶體管將不再擴展。今天，我們面臨著幾個更大的破壞，這些破壞將產生更大的連鎖反應。

技術通常以線性方式發展。每一步都提供了對以前存在的增量改進，或者克服了一些新的挑戰。這些挑戰來自新節點、新物理效果或限制等。雖然這非常有效，而且許多單獨的步驟都很出色，但它建立在紙牌屋的基礎上，如果基礎上的某些東西從根本上來說變化，整個設計、實現和驗證的連鎖反應可能非常顯著。

單個連續內存

這些更改之一已經進行了一段時間。1945 年首次描述的馮諾依曼處理器架構，具有單一的連續內存空間，是絕對的突破。它提供了一個圖靈完備的解決方案，可以解決任何有限問題。這成為幾乎所有計算機的實際架構。

內存很快成為了大小和性能方面的限制。為了克服這個問題，引入了緩存以使廉價的大容量內存看起來像更昂貴、更快的內存。隨著時間的推移，這些緩存變得多級，跨多個主機連貫，并在越來越大的地址空間上工作。

但這不再是許多現代計算功能的要求。在基于對象的軟件功能和特定領域計算的時代，對內存組織的需求可能是有害的。它基于這樣一個前提，即程序可以隨機訪問它想要的任何東西——安全專家希望這不是真的。

必須充分考慮緩存和一致性的全部成本。“在芯片中實現一致性是復雜且昂貴的，” Imperas Software的創始人兼首席執行官 Simon Davidmann 說。“當您進行多級緩存時，內存層次結構變得越來越復雜，并且越來越充滿錯誤，并且消耗越來越多的功率。”

當任務很好理解時，可以避免這種開銷。“在數據流引擎中，一致性不那么重要，因為您將在邊緣移動的數據直接從一個加速器傳送到另一個加速器，” Arteris IP的研究員兼系統架構師 Michael Frank 說。“如果你對數據集進行分區，一致性就會成為障礙，因為它會花費你額外的周期。您必須使用查找表。您必須提供更新信息。”

面向對象系統的采用，以及限制類型轉換的強類型語言和對程序員的一些限制，可以使執行流程可預測并避免對單個連續內存空間的需求。諸如在圖形和機器學習中發現的任務在有限的內存塊上運行，并且不會從復雜的內存管理或對內存的硬件控制中受益。

特定領域的計算正在導致人們重新考慮這方面的許多方面。“例如，DSP 傾向于提供分布式內存池，通常直接在軟件中管理，” Arm研發團隊的高級首席研究工程師 Matt Horsnell 說。“與傳統的共享內存系統相比，這可能更適合專門應用程序的帶寬要求和訪問模式。這些處理器通常通過提供對特定訪問模式（例如，N 緩沖、FIFO、行緩沖區、壓縮等）的直接支持來提供某種形式的內存專業化。”

新的內存類型

改變內存架構有很大的影響。“挑戰在于，在過去，人們有一個很好的抽象模型來思考計算系統，” Rambus的研究員和杰出發明家 Steven Woo 說。“他們從來沒有真正考慮過存儲。它最初是免費出現的，而編程模型只是讓你在引用內存時，它就發生了。你永遠不必明確說明你在做什么。隨著摩爾定律的放緩和功率縮放的停止，人們開始意識到有很多新的存儲可以進入方程式。但要讓它們真正有用，你必須擺脫我們過去擁有的非常抽象的觀點。”

第二個相關的變化是通過新的內存技術實現的。長期以來，SRAM 和 DRAM 都針對速度、密度和性能進行了優化。但是 DRAM 的擴展已經停滯不前，而且 SRAM 受到最新節點的可變性的影響，因此難以保持密度。基于不同物理特性的新內存類型最終可能會更好，但這可能不是主要好處。

例如，如果采用ReRAM，存儲單元本質上就會變成模擬的，這就開辟了許多可能性。Mythic 負責產品和業務開發的高級副總裁 Tim Vehling 說：“模擬的一個基本理念是，您實際上可以在存儲單元本身中進行計算。” “你實際上消除了整個內存移動問題，因此功率大幅下降。當模擬發揮作用時，您可以進行高效的計算和很少的數據移動。借助模擬內存計算技術，它的能效實際上比數字等效技術高出幾個數量級。”

這與機器學習所需的乘法/累加函數完全一致。“執行這些 MAC 操作所消耗的能量是巨大的，”西門子 EDA產品經理 Sumit Vishwakarma 說。“神經網絡有權重，這些權重存在于內存中。他們必須不斷地訪問內存，這是一項非常耗能的任務。計算能力是傳輸數據所需能力的十分之一。為了解決這個問題，公司和大學正在研究模擬計算，它將權重存儲在內存中。現在我只需要輸入一些輸入并得到一個輸出，這基本上是這些權重與我的輸入的乘積。”

當模擬和數字解耦時，模擬電路不再受阻。Semtech 信號完整性解決方案集團營銷和應用副總裁 Tim Vang 說：“我們可以設計模擬電路，在某些情況下提供與數字等效甚至更好的功能，而且我們可以在較舊的節點上做到這一點。” “成本可以更低，因為我們不需要所有的數字功能，因此芯片尺寸可以更小。我們可以降低功耗，因為我們沒有那么多功能。”

當內存發生變化時，軟件堆棧中的所有內容都會受到影響。Synopsys產品營銷總監 Prasad Saggurti 說：“通常會發生一種算法，我們看到了一種優化它的方法，優化內存，以便更好地實現算法。” “另一方面，我們擁有這些不同類型的內存。你能改變你的算法來利用這些新的記憶嗎？過去，使用 TCAM 主要是一種網絡域結構來查找 IP 地址。最近，ML 訓練引擎開始使用 TCAM。這需要根據可用存儲器的類型來改變軟件或固件。”

CMOS 的終結

但到目前為止，最大的潛在變化是 CMOS 的終結。隨著器件變得更小，摻雜的控制變得具有挑戰性，這會導致器件閾值電壓的顯著變化。摻雜定義了器件的極性，例如器件是 PMOS 還是 NMOS，正是這些器件的配對創建了 CMOS 結構，這是創建的所有數字功能的基礎。隨著行業向全柵 finFET 結構遷移，出現了一種新的可能性。

“使用水平堆疊的納米線，您實際上可以構建具有兩個柵極的晶體管，”洛桑聯邦理工學院電氣工程和計算機科學教授 Giovanni De Micheli 在 DAC 2022 主題演講中說。“你使用第二個柵極來極化晶體管并使晶體管成為 P 或 N 晶體管（見圖 1）。你會得到一個更強大的晶體管，因為它創建了一個比較器而不是一個開關。現在，有了這些類型的設備，您就可以擁有全新的拓撲結構。”

圖 1. GAA 極性門的 3-D 概念圖。

資料來源：Michele De Marchi 論文，EPFL，2015

理論上，這可以通過將極性門一分為二來進一步實現。除了是 p 型或 n 型之外，這將增加每個晶體管也成為高或低閾值電壓器件的能力。因此，每個晶體管在運行期間都可以具有不同的功率/性能特性。

讓我們回到邏輯抽象。“幾十年來，我們一直在用 NAND 和 NOR 設計數字電路，”De Micheli 說。“為什么？因為我們一開始就被洗腦了，因為在CMOS中那是最方便的實現。但是，如果您從多數邏輯的角度思考（見圖 2），您就會意識到這是進行加法和乘法運算的關鍵運算符。今天，我們為機器學習實現的所有電路，其中的主要部分就是進行加法或乘法運算。這就是為什么多數是極其重要的。此外，多數邏輯是超導體、光學技術、內存中的非易失性邏輯等許多技術的自然模型。”

圖 2. 基于極性門器件的新邏輯元件。

資料來源：De Micheli/EPFL

De Micheli 的研究表明，采用多數邏輯設計的電路可以使用今天略微修改的 EDA 工具將延遲減少 15% 到 20%。

但這些類型的變化確實需要對綜合和其他步驟進行重大重新思考。Synopsys 的技術策略師 Rob Aitken 說：“如果這被證明是一個很有前途的載體，你真的需要徹底重新考慮合成引擎。” “許多新設備不會有效地采用 NAND/NOR 電路并從中構建東西，而是將本機調整為 XOR、多數門或其他一些邏輯功能。會發生什么？綜合關注您正在構建的基本事物，雖然它過于簡單化，但邏輯綜合需要一個 PLA，然后將其折疊成一個多層次的對象。以不同的邏輯風格重新思考很重要。”

改變基本的晶體管功能對流程的許多方面都有重大影響。例如，設備現在有四個或五個終端，而不是三個，這會對布局和布線產生什么影響？它將如何影響扇入扇出和擁塞？

結論

改變是困難的。一項有前途的技術必須克服現有技術數十年的優化，這會帶來巨大的慣性挑戰。它還可能需要同時更改解決方案的許多部分，例如硬件和軟件，或整個實現鏈中的工具。但隨著該行業接近半導體的一些基本物理極限，它需要變得更加靈活并愿意改變。

編輯：黃飛