最近看到很多公司都在招存算一体方向的工程师，感觉很前沿。我目前做传统数字SoC设计，对冯·诺依曼架构很熟，但存算一体似乎完全打破了内存墙。如果想转向这个方向，需要提前补充哪些知识？比如新型存储器（RRAM, MRAM）的特性、模拟计算单元建模、或者特定的数据流架构？在RTL设计和验证层面，会遇到哪些全新的挑战（如精度评估、非理想特性建模）？
回答 4
从传统SoC转向存算一体，我觉得最大的不同在于设计思想要从‘计算为中心’转向‘数据为中心’。传统架构里我们拼命优化计算单元，但存算一体核心是减少数据搬运，所以你得重新思考数据流。
首先得补存储器知识，RRAM、MRAM这些非易失存储器的特性，比如写延迟、耐久性、电阻漂移，这些都会影响电路设计。
验证方面，精度评估是个大挑战。存算一体里很多是模拟计算，比如用阻值做乘加，你得建模非理想特性，比如器件波动、噪声，然后分析对最终结果的影响。传统数字验证方法不够用了，可能需要混合仿真，把模拟行为模型和数字RTL一起跑。
建议先找些存算一体的论文看看架构，再学点模拟电路基础，不然和模拟工程师沟通都困难。
我参与过一点存算一体项目，说点实际体会吧。
设计上，最大的转变是你要习惯‘非精确计算’。存算一体很多场景是AI推理，对精度要求不是绝对的，所以设计时就要考虑精度与功耗、面积的权衡。比如权重存到RRAM里，阻值有偏差，你得在架构级设计纠错或补偿机制。
验证挑战巨大。首先，你要建模存储器的非理想行为，比如写噪声、读噪声、器件老化，这些模型往往要用SystemVerilog的real类型或SystemC来写，然后和数字RTL集成。验证平台可能要从UVM扩展，支持模拟域的信号检查。
还有，存算一体的测试也难。传统芯片可测性设计（DFT）方法可能不适用，因为存储器阵列和计算单元紧耦合。你得提前规划怎么测试存储单元和计算功能。
如果想转向，建议动手实践。可以尝试用Verilog-AMS或SystemC建一个简单的存算单元模型，模拟一次乘加操作，感受一下精度损失。同时关注业界开源项目，比如一些大学发布的存算一体仿真框架。
简单说几点关键补充和挑战。
知识补充：1. 存储器物理特性：了解RRAM/MRAM的工作原理和器件模型，知道关键参数如ON/OFF比率、非线性、变化性。2. 模拟/混合信号基础：因为存算一体常利用模拟量计算，需要懂点放大器、ADC/DAC、噪声分析。3. 特定架构：如脉动阵列、内存内计算的数据流，理解如何映射算法（尤其是神经网络）到这类架构上。
设计挑战：RTL设计时，传统同步设计可能被打破，因为模拟计算单元延迟可能不固定。接口设计也复杂，要处理模拟和数字域的转换。
验证挑战：1. 精度验证：需要建立黄金参考模型，考虑器件非理想性，进行系统级精度分析（比如对AI任务的影响）。2. 混合信号验证：验证平台需处理连续时间和离散事件，仿真速度可能慢。3. 可靠性验证：需验证器件耐久性、温度变化等对长期功能的影响。
建议：先从算法和架构层面理解存算一体解决什么问题，再深入电路和验证细节。网上有些课程和研讨会资料可以看看。
从传统数字SoC转到存算一体，确实需要跳出冯·诺依曼的思维定式。核心思想是‘计算在哪里，数据就在哪里’，重点要掌握的是‘数据流驱动’和‘近内存计算’的架构设计。你需要补充的知识包括：1. 新型非易失存储器（如RRAM/MRAM）的器件特性（比如写延迟/耐力/电阻态），这直接影响阵列设计和数据映射策略。2. 模拟域计算原理，比如用电阻分压做乘加（MAC），虽然你可能不做模拟电路，但必须理解其数学模型和误差来源（如器件波动、IR drop），才能设计数字补偿电路和校准算法。3. 稀疏化处理，存算一体擅长稀疏计算，要学习如何设计硬件来利用输入/权重稀疏性。
验证挑战巨大：首先，精度评估是系统级任务，需要搭建混合仿真环境（如用MATLAB/Python建模模拟计算核心，再集成数字RTL），分析位误差对最终AI任务精度的影响。其次，必须对非理想特性（如器件随机性、老化）进行建模，并在验证中注入这些故障，测试鲁棒性。最后，传统基于周期的验证可能不够，需要大量使用UVM结合高级语言参考模型进行数据流验证。
建议你先从论文入手，看看ISSCC/VLSI上存算一体的架构，理解他们如何划分模拟/数字边界。工具上可以玩一下Mentor的HSPICE或类似工具，配合Verilog-AMS做混合仿真练习。
发表回答
登录后可在本页底部提交回答
游