QAT量化，是将训练过的模型进行量化并再训练。如图5所示，为标准的QAT量化流程，包括跨层均衡（CLE）、添加量化器（Add Quantizers）、范围设置（Range Estimation）、量化参数可学习（Learnable Quantization Params）等步骤,其中在量化参数可学习中，需要直接学习量化参数，而不是在每个周期中更新它们，从而带来更高的性能，特别是在处理低比特量化时，

如图4所示，上下为电极层，中间为绝缘的电阻转变层。即相变存储器，是一种由硫族化合物材料构成的非易失存储器件，因为相变材料的两种相在切换之后，即使在断电的情况下也可以相对稳定地保持，这是因为相变涉及材料的结构重排，而这种结构变化是物理上的，并不依赖于持续的电源供应。存储器繁多、各具特点。需要注意的是，以下信息均源于企业的公开资料，由于作者能力有限，未罗列全基于SRAM做存算一体芯片的企业，列举的可能

北京大学研究团队在《Nature Electronics》发表了一项基于忆阻器的存算一体排序架构创新成果。该研究突破了传统排序算法在CPU/GPU上的性能瓶颈，提出"就地排序"理念，通过三项核心技术实现突破：1) 数字读取技术消除物理比较器依赖；2) 树节点跳过技术实现智能剪枝优化；3) 跨阵列并行策略增强可扩展性。实验显示，该架构在速度、面积效率和能源效率上分别提升7.7倍、

北京大学杨玉超教授团队在《自然·电子》发表突破性研究，提出基于忆阻器的存算一体排序系统（MSIM）。该系统创新性地采用"数字读取"和"树节点跳跃"技术，无需传统比较器即可在内存中直接完成排序，解决了存算一体架构处理非线性任务的难题。通过多区块、位切片和多能级三种并行策略，系统在五个基准测试中实现最高7.7倍速度提升和160.4倍能效提升。在Dijkstra算

随着人工智能技术的飞速发展，大模型已经成为了推动各行各业进步的关键力量。从自然语言处理到图像识别，再到复杂的数据分析，大模型以其卓越的性能和广泛的应用前景，正逐渐成为AI领域的焦点。然而，大模型的高效运行离不开强大的算力支持，而存算架构的优化则是提升算力的关键所在。本文将探讨现有大模型对算力的需求以及RRAM架构优化如何为大模型的算力提升提供动力，为开发者提供一些实用的指导。

cosmos是一个用于加速物理AI开发的平台，可以预测与生成未来虚拟世界物理感知视频的神经网络，以帮助开发者进一步构建未来机器人与自动驾驶应用。WFM如大语言模型，属于一个基础性模型，WFM 通过学习大规模视频数据集中的物理规律和自然行为，能够生成与现实世界具有一定相似性的3D高清视频场景。同时通过扩散模型和自回归模型，对预训练的 WFM 进行微调，可以使其适应特定的物理 AI 任务。对于当下的具

Synopsys.ai Copilot是新思科技规划中的生成式AI系列的首款产品，其特色在于学习全新的技能并与团队的需求一起成长，让芯片设计与制造厂商可以更轻松地提升生产力，并达成芯片设计从架构的探索、设计到制造的所有阶段的设计目标。AI驱动的芯片自主设计；不管怎样，AI已经证明了其在芯片设计辅助领域的强大能力，作为芯片领域的从业者，也许在不久的将来，我们就能见证AI for EDA，通过商业化A

南京大学梁世军、缪峰团队在《Science Advances》发表论文，提出基于晶体管几何比率的超高精度模拟计算方法。该方法创新性地利用稳定的晶体管几何尺寸比例替代传统易变器件参数编码权重，实现了0.101%的均方根误差精度（目前报道最高水平）。实验显示，该芯片在-78.5℃至180℃极端温度及10T强磁场下仍保持稳定性能，在MNIST手写识别中达97.97%准确率，并能高精度求解纳维-斯托克斯方

英伟达发布新一代机器人系统JetsonThor，推动物理AI革命。该平台性能大幅提升，具备2070 FP4 TFLOPS算力和128GB内存，支持多模态AI应用，实现实时传感器处理和视觉推理。JetsonThor运行生成式AI模型，响应时间快，功耗可调，为仿人机器人等应用提供强大支持。开发者套件售价3499美元起，已有200万开发者使用英伟达技术加速机器人开发。物理AI将引领制造业和物流业的变革。

WTM2101芯片是由Witin知存科技开发的高性能存内计算芯片，专为加速AI计算设计，如图1.1所示。存内计算作为一种革命性技术，其主要优势在于将计算功能直接集成到存储器中，从而显著减少数据在芯片内部的传输距离，降低延迟，增强处理速度。这种架构使得WTM2101能够在保持超低功耗的同时，实现高达50Gops的运算能力，这一点在机器学习和深度学习应用中尤为关键。WTM2101的高性能和超低功耗这一