《中国科学院团队开发并测试了名为QiMeng的AI芯片设计系统》

  • 来源专题:集成电路与量子信息
  • 发布时间:2025-06-12
  • 中国科学院一个由工程师、AI研究人员和芯片设计研究人员组成的研究团队设计、建造并测试了基于AI的芯片设计系统,并在arXiv预印本服务器上发表了一篇描述该系统的论文。这一系统名为QiMeng,它通过多模态架构来理解和生成文本和图数据,并通过双环机制进行反馈驱动推理,包括外部性能反馈环和内部功能正确性反馈环。 在这一新的研究中,中国团队将AI应用于这一问题。工作涉及使用大语言模型(LLM)将用户关于性能标准的要求转化为满足规格的处理器芯片的架构计划,并创建运行在其上的软件。

    这项计划是在科学家们面临西方国家不愿与他们分享技术收益的压力下启动的。新系统有三个相互连接的部分:一个是领域特定的芯片模型;另一个是负责大部分设计工作的设计代理;第三个是一组可用的设计应用程序。

  • 原文来源:https://techxplore.com/news/2025-06-chinese-debut-world-ai-based.html
相关报告
  • 《中国科学院计算所研究团队提出图神经网络加速芯片设计》

    • 来源专题:光电情报网信息监测服务平台
    • 编译者:husisi
    • 发布时间:2020-12-24
    • 记者17日从中国计算机学会获悉,来自中国科学院计算技术研究所的研究团队提出图神经网络加速芯片设计“HyGCN”。 《中国计算机学会通讯》(CCCF)近日刊发了中国科学院计算所特别研究助理严明玉、研究员范东睿以及研究员叶笑春共同撰写的综述文章《图神经网络加速芯片:人工智能“认知智能”阶段起飞的推进剂》。文章披露,该团队提出了图神经网络加速芯片设计“HyGCN”。相关论文也先后在计算机体系结构国际会议上发表。 严明玉在受访时说,图神经网络在搜索、推荐、风险控制等重要领域有着广泛应用。现有的处理器芯片在执行图神经网络的计算中效率低下,其团队展开面向图神经网络的加速芯片设计,为解决这一难题提供可行方案。 让机器“会思考”设计中“增引擎” 图神经网络被认为有望解决深度学习无法处理的关系推理、可解释性等一系列问题,让机器“能理解、会思考”。然而由于图神经网络在图数据处理方面的特殊性,传统用于加速神经网络的芯片难以直接对图神经网络的执行提供高效计算支撑。 严明玉解释说,以图数据为输入,融合了深度学习算法和图计算算法的图神经网络具有与传统神经网络不一样的执行行为,即“混合执行行为”。这对现有的处理器结构带来巨大挑战,比如GPU在应对不规则执行行为时极为低效。 “为了应对图神经网络的混合执行行为,我们设计了新的处理器结构,以更高效地加速图神经网络的执行。”严明玉说,HyGCN芯片基于混合结构设计思想,分别为图神经网络的两个主要执行阶段——图遍历阶段和神经网络变换阶段设计相应的加速引擎。 研究团队实践证明,HyGCN芯片设计能够有效应对图神经网络图遍历阶段的不规则性,并能利用神经网络变换阶段的规则性提高执行效率。 目前是“无人区”计算所正加快孵化 “图神经网络加速芯片目前在国际上还是‘无人区’,研究成果发表后得到了业界认可。”严明玉受访时说,目前中国科学院计算所正加快对HyGCN科技成果进行孵化,提升关键核心技术能力,推动各行各业从信息化向智慧化升级。 展望图神经网络的应用前景,严明玉举例说,在日常交通预测、网约车调度、金融诈骗侦查、运动检测等场景,在助力科研的知识推理、化学研究、宇宙发现等领域,以及在知识图谱、视觉推理、自然语言处理中的多跳推理等学科发展方向上,都有极大应用空间。 事实上,谷歌地图基于事件树的风险评估、图片社交网站Pinterest的内容推荐、阿里巴巴的风控和推荐、腾讯等公司的视觉和风控等业务中都有图神经网络的影子。有市场研究机构发布报告预测,2022年机器学习芯片市场规模将达到827.2亿美元。图神经网络加速芯片可能将产生300亿美元以上的市场规模。
  • 《中国科学院自主设计首款主打极低比特技术的人工智能芯片原型》

    • 来源专题:集成电路
    • 编译者:shenxiang
    • 发布时间:2019-05-31
    • 中国科学院自动化研究所南京人工智能芯片创新研究院AiRiA自主设计的首款主打极低比特技术的人工智能芯片QNPU(Quantized Neural Process Unit)原型,及四路人车识别、车载辅助驾驶ADAS系统,终端AI功能加速器QEngine和人工智能人体骨骼实时识别交互系统,近期在世界智能大会和世界半导体大会上展出,获得了众多专业人士的肯定和赞扬。 QNPU采用国际领先的量化模型压缩处理技术,实现了DDR Free设计,突破了内存墙的世界难题,不但能够满足边缘端设备低功耗、低时延、小体积、低成本的诉求,并能提供其执行AI任务所需的高运算能力。QNPU可应用到智能安防、无人驾驶、智慧医疗、智慧商业、智慧城市等多种IoT的边缘端计算场景,助力各行业“用上AI,用好AI”。 同时,AiRiA还研发了基于QNPU原型的四路人车识别模块,可进行1080P分辨率的视频流实时分析。 AiRiA车载辅助驾驶ADAS系统是基于机器视觉720P双路视频实时处理的人工智能系统。在驾驶过程中能够自动识别道路情况,包括:道路标志线、信号灯、人车距离等,可以实现前向碰撞报警、车距过近报警、车道偏离报警等。同时该系统采用DrivingProbe专利技术,对驾驶员警觉性监测,识别抽烟、喝水、打/看电话、打斗等状态,监控安全驾驶。 AI功能加速器QEngine是适用于终端设备的高性能、轻量级、无依赖的深度学习计算框架。与常用框架相比,QEngine性能高2-4倍,减少65%-85%的内存占用,使AI终端设备待电时间更长,机器视觉识别更加迅速。QEngine支持业内多种开源的深度学习框架,算法移植简易,并兼容多种处理器和硬件。 AiRiA人工智能人体骨骼实时识别交互系统,对人体骨骼姿态进行实时跟踪,识别人体骨骼25个结构点,毫秒级时延,并能支持多人同时检测,对身体部分遮挡部位进行智能预测。该系统可应用于翻越、打斗、摔倒等异常行为的检测,运动及舞蹈的教学矫正,体感游戏,3D试衣等场景。 自动化所南京人工智能芯片创新研究院AiRiA,依托自动化所在芯片开发、计算架构、人工智能、机器视觉等领域数十年的核心技术积累,致力于为行业提供软硬一体化的人工智能解决方案。在成本、功耗、计算结构等方面进行探索,让“高大上”的AI广泛、便利地应用到各行业,普惠公众。