_ConchNest🐚

ETCIM-解决传统SRAM纠错方法在数字CIM上的局限论文名：ETCIM: Error-Tolerant Digital CIM Processor WithRedundancy-Free Hard Error Repair and Run-TimeSoft Error Correction， 来自香港科技大学Fengbing Tu老师组。 SRAM的读出error分为hard与soft两类，hard error由芯片制造的过程产生。soft error指存内计算时Bit line上的值翻转不正确导致计算错误。传统的SRAM error correction对hard error采用column repair，对soft error采用hamming error correction code (ECC)。 column repair：当制造缺陷导致某一列存储单元（SRAM cell column）失效时，电路会通过冗余列（redundant column） 来替换坏掉的列，从而提高芯片的良率和可用性。其工作流程为： 添加冗余列：在 SRAM 阵列中额外预留一些“备用列”（redu ...

ViT模型片外访存分析对于ViT-tiny模型，其embedding大小为192。输入的patch_size为16，对于一张(256, 256)的图片而言，其总共包含1025个token(算上CLS token之后)。 考虑一个边缘端芯片，其总共的memory size一般<1Mb。若input_activation的memory与weight memory都为512Kb，且IA量化为8bit，weight量化为4bit的情况下。统计两个memory各自的访存。 ViT-tiny backbone layer计算$Q,K,V$将input feature map以170个token为1组放到片上，此时weight memory可以存下所有的QKV矩阵。生成的Q, K, V立即发出片外。总共的offchip access为 $ 170 \times 192 \times 8 \times 4 \times 6 = 11.95 Mb $，其中8为input activation (IA)的quantization bits, 4为load input feature map, off ...

关于FP-INT mixed神经网络加速器设计的work[清华大学 ISSCC2025] An 88.36TOPS/W Bit-Level-Weight-Compressed Large-Language-Model Accelerator with Cluster-Aligned INT-FP-GEMM and Bi-Dimensional Workflow Reformulation该工作对Transformer神经网络的activation采用了BF16量化，weight采用INT8量化。 因为BF16量化后的activation他们的exponent位存在很高的相似性。所以该work将每32个activation和它们对应的weight分为4个cluster。每个cluster中activation的exponent相差不超过3。之后每个cluster中的activation和weight单独做INT的乘法。对齐操作由对weight进行zero-extension完成，而不是对activation进行左移。而由于weight用了特殊的coding进行处理，zero exten ...

AMS仿真流程

后端版图中的闩锁效应及解决方案该部分的详细知识在博客https://www.cnblogs.com/yeungchie/p/13961469.html已阐述的很清晰，这里根据自己的经验做一些补充。 对闩锁效应的简单解释：N-Well和P-Substrate之间形成了一个PN结。为了使得管子工作正常，该PN结需要被反向偏置形成二极管隔离区域。所以N-Well需要接VDD而P-Substrate需要接GND。 但如果工作期间，电荷在N-well中积聚。它会改变 P 沟道器件的电位差，从而可能导通这个PN结被正向偏置(Forwad Bias)。

Walking naturally after spinal cord injury using a brain–spine interface文章来子EPFL的Henri Lorach教授团队。临窗上一些病人面临chronic tetraplegia（慢性四肢瘫痪）。 使用了WIMAGINE technology，