我国科研团队首创存算一体排序架构 攻克智能硬件加速难题 数据访问不规则等特性
作者:{typename type="name"/} 来源:{typename type="name"/} 浏览: 【大中小】 发布时间:2025-07-08 07:03:59 评论数:
论文通讯作者、研团硬件这一难题的队首突破意味着存算一体从‘适合特定应用’走向‘可支持更广泛的通用计算’，存算一体技术虽在矩阵计算等规则运算中成效显著，创存这一成果攻克了传统计算架构处理复杂非线性排序时效率低下的算体核心难题，
北京大学团队围绕“让数据就地排序”的排序目标展开攻关，数据访问不规则等特性，架构加速
“排序的难题核心在于复杂条件下的精准比较与数据搬移，成功解决了这一难题。国科攻克“正因为排序计算在人工智能中是研团硬件高频、北京大学集成电路学院杨玉超教授、队首传统存算一体架构难以支持此类运算。创存为超大规模交通决策、算体同时兼容现有矩阵计算；完全自主设计的排序器件-电路-系统级技术栈整合。”
实测结果显示，架构加速智能驾驶、支持动态稀疏度下的推理响应速度可提升70%以上，实现了低延迟、该硬件方案在典型排序任务中提升速度超15倍，金融智能风控评分引擎、北京大学人工智能研究院陶耀宇研究员说，通用、北京大学集成电路学院博士生余连风介绍，多通路的硬件级并行排序电路设计；在算子层面，在人工智能推理场景中，智慧交通与智慧城市等人工智能应用提供了全新的高效算力支持。在智慧交通场景中，在测试中该技术展现出高速度与低功耗的显著优势。应急响应调度等提供高效的实时算力支持。基础且极难处理的一类操作，该技术具有广泛的应用前景，将成为整个系统的主要瓶颈。为具身智能、却因排序操作逻辑复杂、为人工智能相关任务构建了全链路的底层硬件架构支持。可用于智慧交通图像排序系统、首次实现了基于存算一体技术的高效排序硬件架构。优化了面向人工智能任务的算法-架构协同路径，一旦执行效率不高，具备并行处理百万级数据元素排序任务的潜力，功耗仅为传统CPU或GPU处理器的1/10。人工智能研究院陶耀宇研究员领衔的科研团队在智能计算硬件领域取得突破，排序通常作为数据预处理或决策中间环节存在，长期被视为该领域的核心难点。大语言模型、
人民网北京7月4日电 （记者赵竹青）近日，边缘监控设备的目标优先识别模块等场景。”
陶耀宇介绍，
在人工智能系统中，