前不久，清华大学微纳电子系Thinker团队在计算结构上设计了Thinker系列AI计算芯片，并且还受到学术界和工业界的广泛关注。Thinker团队此次研究成果，从存储优化和软硬件协同设计的角度大幅提升了芯片能量效率，给AI计算芯片的架构演进提供了新思路。
据了解，在这次AI计算芯片的存储优化新方法中，刷新了神经网络加速框架，而且可以得到两个优化方向，其一是减少数据生存时间，其二就是增大数据维持时间。其次，还提出神经网络分层的混合计算模式，根据芯片参数及DNN网络参数，对网络的每一层分配一个最优的计算模式。
但是，相比于传统的采用SRAM的AI计算芯片，使用RANA框架的基于eDRAM的计算芯片在面积开销相同的情况下可以减少41．7％的片外访存和66．2％的系统能耗，使AI计算系统的能量效率获得大幅提高。
