研究计划1 - 突破硬件瓶颈的新兴技术
研究计划1针对存储和数据带宽问题，探索和集成硅兼容的新兴技术和不断演进的传统硅芯片技术，从而缓解 AI 硬件所面临的瓶颈。
研究项目1-1:
用于类脑计算（Neuromorphic）的基于可变电阻式存储器（ReRAM）的电路
图 研究项目1-1: 包括驱动的基于 ReRAM 的交叉开关矩阵结构
研究项目1-1 涵盖了 3D 集成芯片的开发，包括可变电阻式存储器（ ReRAM） 和基于CMOS 的处理器，用于实现高能效的向量-矩阵乘法运算部件。 研究项目1-1 的目标还包括探索速度、密度、面积、能耗、变化和鲁棒性之间的权衡优化，研究高密度非易失性存储器 ReRAM 对不同目标领域的 AI 芯片和系统的适用性和最佳应用方法。
研究项目1-2:
用于具有高连接性的 AI芯片的 3D 技术
图 研究项目RP1-2: 通过垂直堆叠的存内计算系统示例
研究项目1-2 解决类脑计算（Neuromorphic）中海量计算与存储单元之间的互连需求。由于寄生电阻和电容的存在，目前基于片外存储器的主流方法已成为速度和功耗/能耗的主要瓶颈。包括 2.5D/3D 和单片集成在内的3D 集成技术，通过在物理空间中提供额外的维度来连接不同的电路元件，从而解决上述互连问题。该方法具有更高带宽和更低延迟的优势，从而使系统的能量-延迟乘积降低了 1,000 倍以上，并且芯片外形更小、电路块耦合更紧密。
研究项目1-3:
用于人工智能系统的高性能硅基光子（Silicon Photonic）技术
图 研究项目1-3: 用于人工智能系统的硅基光子存储网络
传统的计算系统基于 CMOS 技术，随着摩尔定律走向终结， AI 应用对于计算能力的需求不断增长，带来成本和能耗持续而显著的增加。与 CMOS技术 相比，硅基光子（Silicon Photonic）技术的进步有望实现更高的能效、超高速和低延迟。硅基光子技术为人工智能架构、电路和工具开辟了新的机会，通过全面探索新方法来应对后摩尔定律时代AI系统所面临的挑战。
研究项目1-4:
从技术到类脑计算（Neuromorphic）的器件建模
图 研究项目1-4: 从物理紧凑模型到更高级别的 EDA 工具和应用程序设计
紧凑模型（Compact Model）是新兴半导体器件到应用之间的重要桥梁。目前EDA 工具中使用传统的准静态设备建模方法，难以处理动态存储设备和基于脉冲信号（spike）的类脑计算（Neuromorphic）系统。 研究项目1-4 专注于动态变化建模方法，以解决 EDA 工具中的存储仿真问题。除了电流-电压域之外，项目研发的紧凑模型也将能够进行时域中的详细仿真。