该主题尚不存在

本页面只读。您可以查看源文件，但不能更改它。如果您觉得这是系统错误，请联系管理员。
====== 第十章：计算机系统前沿 ======

  * [[#10.1 计算机发展趋势|10.1 计算机发展趋势]]
  * [[#10.2 量子计算|10.2 量子计算]]
  * [[#10.3 神经形态计算|10.3 神经形态计算]]
  * [[#10.4 光计算|10.4 光计算]]
  * [[#10.5 新型存储技术|10.5 新型存储技术]]
  * [[#10.6 存算一体|10.6 存算一体]]
  * [[#10.7 后摩尔时代技术|10.7 后摩尔时代技术]]
  * [[#10.8 练习题|10.8 练习题]]

----

===== 章节概述 =====

本章介绍计算机系统的前沿技术和发展趋势，包括量子计算、神经形态计算、光计算、新型存储技术、存算一体以及后摩尔时代的技术方向。通过本章学习，了解计算机科学的未来发展方向。

**学习目标**：
  * 理解摩尔定律的放缓及其影响
  * 掌握量子计算的基本原理和应用
  * 了解神经形态计算的特点和优势
  * 理解光计算的概念和挑战
  * 掌握新型存储技术的特点
  * 了解存算一体技术的原理
  * 了解后摩尔时代的技术方向

**本章重点**：
  - 量子计算的基本原理
  - 新型计算技术的特点
  - 计算机发展趋势
  - 新型存储技术

**本章难点**：
  - 量子计算的原理理解
  - 各种前沿技术的应用场景
  - 技术之间的比较和选择

----

===== 10.1 计算机发展趋势 =====

====== 10.1.1 摩尔定律的放缓 ======

**摩尔定律**：集成电路上可容纳的晶体管数量每18-24个月翻一番，性能也随之提升。

**摩尔定律的成就**：
  * 过去50年，晶体管数量从数千增长到数百亿
  * 处理器性能提升超过100万倍
  * 成本大幅下降
  * 计算机从机房走向桌面，再到口袋

**当前挑战**：
  * **物理极限**：制程工艺接近原子尺度（3nm、2nm）
  * **功耗墙**：晶体管密度增加导致功耗密度急剧上升
  * **量子效应**：纳米尺度下量子隧穿效应显著
  * **制造成本**：先进制程的晶圆厂投资超过200亿美元

<code>
摩尔定律发展趋势：

晶体管数量
    │
10⁹ │                       ╱ 预期趋势
    │                      ╱
10⁶ │         ╱───────────
    │        ╱ 实际趋势
10³ │───────╱
    │
    └──────────────────────→ 时间
      1970   2000   2020   2040
</code>

**发展趋势**：
  * 从单一性能提升转向多维度优化
  * 专用芯片兴起（领域专用架构DSA）
  * 新计算范式探索（量子、神经形态等）
  * 三维集成和先进封装

====== 10.1.2 异构计算 ======

**异构计算**：在统一系统中使用不同类型的处理器协同工作，各尽其能。

<code>
异构计算架构：

┌─────────────────────────────────────────────────┐
│               异构计算系统                       │
│                                                 │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐         │
│  │   CPU   │  │   GPU   │  │   NPU   │         │
│  │ 控制+   │  │ 数据    │  │  AI     │         │
│  │ 串行    │  │ 并行    │  │ 加速    │         │
│  └────┬────┘  └────┬────┘  └────┬────┘         │
│       └─────────────┼─────────────┘              │
│                     │                            │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐         │
│  │   FPGA  │  │   DPU   │  │   TPU   │         │
│  │ 可编程  │  │ 数据    │  │ 张量    │         │
│  │ 加速    │  │ 处理    │  │ 处理    │         │
│  └─────────┘  └─────────┘  └─────────┘         │
│                                                 │
│       统一内存地址空间（如CUDA Unified Memory）   │
└─────────────────────────────────────────────────┘
</code>

**专用加速芯片**：

| 芯片类型 | 全称 | 功能 | 代表产品 |
|---------|------|------|---------|
| NPU | 神经网络处理单元 | AI推理加速 | 华为昇腾、苹果Neural Engine |
| TPU | 张量处理单元 | 深度学习训练和推理 | Google TPU |
| DPU | 数据处理单元 | 网络、存储、安全加速 | NVIDIA BlueField |
| VPU | 视觉处理单元 | 视频编解码、CV | Intel Movidius |

**异构计算优势**：
  * 不同任务使用最适合的处理器
  * 整体能效比优化
  * 性能提升不受单一处理器限制

----

===== 10.2 量子计算 =====

====== 10.2.1 量子计算的基本概念 ======

**量子计算**：利用量子力学原理（叠加态、纠缠态）进行计算的新型计算模式。

**量子比特（Qubit）**：
  * 经典比特：0或1
  * 量子比特：可以是0和1的叠加态
  * 表示：|ψ⟩ = α|0⟩ + β|1⟩
  * α和β是复数，满足|α|² + |β|² = 1
  * |α|²表示测量结果为0的概率，|β|²表示测量结果为1的概率

<code>
量子比特 vs 经典比特：

经典比特：            量子比特：
┌─────┐              ┌─────────────┐
│  0  │ 或           │  α|0⟩+β|1⟩  │
│  1  │              │（叠加态）    │
└─────┘              └─────────────┘

n个经典比特：表示2ⁿ个状态中的一个
n个量子比特：同时表示2ⁿ个状态的叠加
</code>

**量子叠加**：
  * 一个量子比特可以同时处于0和1
  * n个量子比特可以同时表示2ⁿ个状态的叠加
  * 这种并行性是量子计算加速的来源

**量子纠缠**：
  * 多个量子比特之间存在强关联
  * 测量一个量子比特会瞬间影响其他纠缠的量子比特
  * 即使相距很远（量子非局域性）
  * 爱因斯坦称之为"幽灵般的超距作用"

**量子干涉**：
  * 量子态可以相互干涉，增强正确答案的概率，抑制错误答案
  * 量子算法设计的关键

====== 10.2.2 量子计算的优势 ======

**指数级并行性**：
  * n个量子比特可同时处理2ⁿ个状态
  * 50个量子比特可同时处理约1千万亿个状态
  * 适合大规模并行计算问题

**量子算法**：

| 算法 | 提出者 | 功能 | 加速比 |
|------|--------|------|--------|
| Shor算法 | Peter Shor (1994) | 大数质因数分解 | 指数级加速 |
| Grover算法 | Lov Grover (1996) | 无序数据库搜索 | 平方级加速 |
| HHL算法 | Harrow-Hassidim-Lloyd | 解线性方程组 | 指数级加速 |
| VQE/QAOA | - | 量子化学/优化 | 启发式优势 |

**Shor算法**：
  * 在多项式时间内完成大数质因数分解
  * 经典算法需要指数时间
  * 对RSA等公钥加密算法构成威胁
  * 1024位RSA密钥，经典计算机需要数亿年，量子计算机可能只需数小时

**Grover算法**：
  * 在无序数据库中搜索目标项
  * 经典算法需要O(N)次查询
  * 量子算法只需O(√N)次查询
  * 平方级加速，可用于密码学、优化问题

<code>
量子算法应用前景：

密码学          药物设计           金融建模
   │               │                 │
   ▼               ▼                 ▼
Shor算法       量子模拟          蒙特卡洛
破解RSA        分子模拟          加速
   │               │                 │
   └───────────────┴─────────────────┘
                    │
           ┌────────┴────────┐
           ▼                 ▼
     量子机器学习       组合优化问题
     模式识别加速       物流、调度优化
</code>

====== 10.2.3 量子计算现状 ======

**技术路线**：

| 技术路线 | 原理 | 优势 | 挑战 | 代表 |
|---------|------|------|------|------|
| 超导量子比特 | 超导电路的量子态 | 可扩展性好、速度快 | 需要极低温（~15mK） | IBM、Google |
| 离子阱 | 囚禁离子的能级 | 相干时间长、保真度高 | 扩展困难、速度慢 | IonQ、Honeywell |
| 光量子 | 光子的偏振/路径 | 室温运行、低噪声 | 难以实现两比特门 | PsiQuantum、Xanadu |
| 拓扑量子 | 任意子 | 容错性强 | 理论阶段 | Microsoft |
| 半导体 | 硅基量子点 | 可利用现有半导体工艺 | 相干时间短 | Intel |

**发展里程碑**：
  * 1998年：首个2量子比特量子计算机
  * 2012年：首次实现拓扑量子比特
  * 2019年：Google宣布"量子优越性"（53量子比特，200秒完成经典计算机1万年的任务）
  * 2021年：中国"九章"光量子计算机实现量子优越性
  * 2023年：IBM推出1000+量子比特的Condor处理器

**当前挑战**：
  * **量子纠错**：需要物理量子比特实现一个逻辑量子比特（比例约1000:1）
  * **相干时间**：量子态容易受到环境干扰（退相干）
  * **错误率**：当前错误率约0.1-1%，需要降到0.0001%以下
  * **可扩展性**：扩展到数百万量子比特
  * **低温要求**：大多数技术需要接近绝对零度

<code>
量子计算发展路线图：

当前 ──→ NISQ时代 ──→ 容错量子计算 ──→ 大规模应用
         │              │              │
         ▼              ▼              ▼
      50-1000       1000-10000     100万+
      含噪声量子    纠错量子比特    通用量子
      比特          原型机          计算机
      
      量子优越性    解决实际问题    改变世界的
      演示          （药物、材料）   应用
</code>

----

===== 10.3 神经形态计算 =====

====== 10.3.1 神经形态计算概述 ======

**神经形态计算**：模仿人脑神经网络结构和功能的计算模式，也称为"脑启发计算"。

**人脑的特点**：
  * 约860亿神经元，100万亿突触连接
  * 功耗仅20W（相当于一个节能灯泡）
  * 高度并行处理
  * 事件驱动（只在有信号时工作）
  * 容错性强（部分神经元损坏不影响整体功能）
  * 自适应学习

**与传统计算的对比**：

| 特性 | 传统计算机 | 人脑/神经形态 |
|------|-----------|--------------|
| 架构 | 冯·诺依曼（存算分离） | 神经网络（存算一体） |
| 处理 | 串行为主，精确计算 | 高度并行，近似计算 |
| 存储 | 分离的内存和处理器 | 分布式存储（突触） |
| 功耗 | 高（100W+） | 极低（20W） |
| 学习方式 | 固定程序 | 自适应学习 |
| 容错性 | 低（一位错误可能导致崩溃） | 高 |

<code>
神经形态计算架构：

传统计算机：                    神经形态芯片：
┌─────────┐    ┌─────────┐     ┌─────────────────────┐
│  处理器  │<──>│  内存   │     │   神经元网络        │
│  (CPU)  │    │  (RAM)  │     │  ┌───┐  ┌───┐     │
└─────────┘    └─────────┘     │  │ N │──→│ N │     │
   ↑↓ 数据总线                   │  └───┘  └───┘     │
   （冯·诺依曼瓶颈）              │     ↓      ↑      │
                                 │  ┌───┐  ┌───┐     │
                                 │  │ N │←──│ N │     │
                                 │  └───┘  └───┘     │
                                 │    突触（存算一体）  │
                                 └─────────────────────┘
</code>

**神经形态计算的优势**：
  * **极低功耗**：事件驱动，只在有活动时消耗能量
  * **实时学习**：在线学习，无需离线训练
  * **容错性强**：部分神经元失效不影响整体功能
  * **适合感知任务**：模式识别、异常检测

====== 10.3.2 神经形态芯片 ======

**代表产品**：

| 芯片 | 厂商 | 规模 | 特点 |
|------|------|------|------|
| Loihi | Intel | 13万神经元，1.3亿突触 | 自学习、异步计算 |
| TrueNorth | IBM | 100万神经元，2.56亿突触 | 极低功耗（70mW） |
| SpiNNaker | 曼彻斯特大学 | 10亿神经元 | 大规模神经模拟 |
| Tianjic | 清华大学 | 支持多种神经网络 | 通用神经形态芯片 |
| Akida | BrainChip | 支持SNN | 边缘AI应用 |

**Intel Loihi**：
  * 第三代神经形态芯片（2021年）
  * 每个芯片100万神经元
  * 支持片上学习
  * 功耗比传统CPU低1000倍

**IBM TrueNorth**：
  * 54亿晶体管，功耗仅70mW
  * 100万个神经元，2.56亿个突触
  * 事件驱动，异步处理
  * 54亿晶体管的功耗比一颗LED灯还低

**应用场景**：
  * 模式识别（语音、图像、手势）
  * 机器人控制
  * 边缘AI（低功耗实时处理）
  * 异常检测
  * 自主导航

----

===== 10.4 光计算 =====

====== 10.4.1 光计算的概念 ======

**光计算**：利用光子进行信息处理和计算的技术，也称为光学计算或光子计算。

**光计算的优势**：
  * **高速度**：光速传输，延迟极低
  * **高带宽**：光载波频率高（THz级），可密集波分复用
  * **低干扰**：不受电磁干扰（EMI）
  * **低功耗**：传输损耗小，不需要金属导线充电
  * **并行性**：光波可以叠加，天然支持并行计算

**光计算的挑战**：
  * **光子间难以相互作用**：光子是玻色子，不直接相互作用，需要非线性介质
  * **器件尺寸较大**：光学元件比电子元件大
  * **与电子系统集成困难**：光电转换存在损耗和延迟
  * **存储困难**：光存储技术不如电存储成熟

<code>
光计算 vs 电计算：

特性           电计算           光计算
────────────────────────────────────────
传输速度      接近光速（介质中）   光速
带宽          GHz              THz
干扰          电磁干扰         无
并行性        有限             天然并行
器件尺寸      纳米级           微米级
逻辑实现      容易             困难（非线性）
存储          成熟             困难
集成度        极高             较低
</code>

====== 10.4.2 光计算的类型 ======

**光学模拟计算**：
  * 利用光的干涉和衍射进行模拟运算
  * 适合矩阵运算、傅里叶变换
  * 速度快，但精度有限

**光学数字计算**：
  * 实现逻辑门和数字电路
  * 精度高，但实现复杂
  * 需要光学晶体管等器件

**硅光技术**：
  * 在硅芯片上集成光学器件
  * 光电子集成（OEIC）
  * 光互连（替代芯片间/片内电互连）

**光神经网络**：
  * 光学实现矩阵-向量乘法
  * 加速深度学习推理
  * 代表：Lightmatter、Lightelligence

<code>
光神经网络加速：

输入光信号 ──→ 马赫-曾德尔干涉仪阵列（MZI）──→ 输出光信号
                    ↓
              实现矩阵乘法
              （权重编码在相位中）
                    ↓
              光电探测器
                    ↓
              电信号输出

优势：矩阵乘法是神经网络的核心运算，
      光计算可以在光速下完成，
      功耗比GPU低数个数量级
</code>

**光计算应用前景**：
  * 光互连：芯片间、板间光通信
  * 神经网络加速
  * 量子计算接口
  * 大规模并行信号处理

----

===== 10.5 新型存储技术 =====

====== 10.5.1 存储墙问题 ======

**存储墙（Memory Wall）**：处理器与存储器之间的速度差距越来越大，成为系统性能瓶颈。

**问题描述**：
  * 处理器速度每年提升约50%
  * 内存速度每年仅提升约7%
  * 处理器需要等待数据从内存加载

**解决方案**：
  * 存储器层次结构（Cache、内存、磁盘）
  * 新型存储技术
  * 存算一体

<code>
存储墙示意：

性能增长
   │
   │    处理器 ╱
   │         ╱
   │        ╱
   │       ╱
   │ 内存 ╱
   │     ╱
   │    ╱
   │磁盘╱
   │
   └─────────────────→ 时间
</code>

====== 10.5.2 新型存储器 ======

**MRAM**（磁阻RAM - Magnetoresistive RAM）：
  * 利用磁阻效应存储数据
  * 非易失性（断电后数据保留）
  * 速度快（接近SRAM）、功耗低
  * 耐久性高（无限次读写）
  * 应用：缓存、嵌入式存储

**ReRAM**（阻变RAM - Resistive RAM）：
  * 基于电阻变化存储
  * 非易失性
  * 高密度、低功耗
  * 可实现存算一体
  * 应用：存储级内存（SCM）、存算一体

**PCRAM**（相变RAM - Phase Change RAM）：
  * 利用相变材料（如Ge2Sb2Te5）的晶态/非晶态变化
  * 非易失性
  * Intel傲腾（Optane）技术基础
  * 应用：存储级内存

**FeRAM**（铁电RAM - Ferroelectric RAM）：
  * 利用铁电材料的极化特性
  * 非易失性、低功耗、快速
  * 耐久性有限（10^12次）
  * 应用：RFID、智能卡

<code>
存储技术对比：

技术     易失性   速度      密度     耐久性     应用
────────────────────────────────────────────────────────
SRAM     易失     最快      低       无限      Cache
DRAM     易失     快        中       好        内存
Flash    非易失   慢        高       有限      SSD/存储
MRAM     非易失   很快      中       无限      缓存/存储
ReRAM    非易失   快        很高     好        存算一体
PCRAM    非易失   中        中       有限      存储级内存
FeRAM    非易失   快        低       有限      嵌入式

性能：SRAM > MRAM > FeRAM > DRAM > ReRAM > PCRAM > Flash
</code>

**存储级内存（SCM - Storage Class Memory）**：
  * 介于DRAM和Flash之间的存储层级
  * 非易失性、字节寻址
  * 可替代或扩展DRAM
  * 代表：Intel Optane DC Persistent Memory

------

===== 10.6 存算一体 =====

====== 10.6.1 冯·诺依曼瓶颈 ======

**冯·诺依曼瓶颈**：传统计算机架构中，处理器和存储器分离，数据需要在两者之间频繁传输，造成时间和能量的大量消耗。

**瓶颈表现**：
  * 数据搬运消耗90%以上的能量
  * 内存带宽成为性能瓶颈
  * "存储墙"问题

**存算一体（Computing in Memory, CIM）**：在存储器中进行计算，减少或消除数据传输。

<code>
冯·诺依曼架构 vs 存算一体架构：

冯·诺依曼架构：              存算一体架构：
                             
┌───────┐                  ┌─────────────────────┐
│ 处理器 │                  │    存算一体阵列     │
└───┬───┘                  │  ┌───┐ 计算 ┌───┐  │
    │ 数据总线              │  │存储│←──→│存储│  │
    ▼                      │  └───┘      └───┘  │
┌───────┐                  │    ↑          ↑    │
│  内存  │                  │  计算在存储中进行   │
└───────┘                  └─────────────────────┘
    ↑↓ 频繁数据传输              计算和存储融合
</code>

====== 10.6.2 存算一体技术 ======

**实现方式**：
  * **模拟存算一体**：利用存储单元的模拟特性进行矩阵乘法
  * **数字存算一体**：在存储器附近集成计算逻辑

**适用技术**：
  * ReRAM：电阻值可直接参与计算
  * SRAM：传统技术，易于实现
  * DRAM：刷新周期中进行计算
  * MRAM：非易失存算一体

**存算一体优势**：
  * 大幅减少数据搬运
  * 显著降低功耗（数据搬运比计算更耗能）
  * 提高带宽和吞吐量
  * 特别适合神经网络（矩阵运算密集）

**代表产品/研究**：
  * Mythic AI：基于Flash的模拟存算一体
  * UPMEM：计算型DRAM
  * 知存科技：基于Flash的存算一体芯片

<code>
存算一体在神经网络中的应用：

输入向量 ──→ 存算一体阵列 ──→ 输出结果
                ↓
           ┌─────────┐
           │ 权重存储 │ ← 权重值存储在存储单元中
           │  (ReRAM)│
           └────┬────┘
                │
           欧姆定律：I = V × G
           （电流 = 电压 × 电导）
           矩阵乘法在模拟域完成
</code>

----

===== 10.7 后摩尔时代技术 =====

====== 10.7.1 先进封装技术 ======

**Chiplet技术**：
  * 将大芯片拆分为多个小芯片（Chiplet）
  * 各自制造后通过先进封装集成
  * 降低成本，提高良率
  * 不同工艺节点混合集成

**2.5D/3D封装**：
  * **2.5D**：芯片并排放在硅中介层上
  * **3D**：芯片垂直堆叠
  * 缩短互联距离，提高带宽
  * 降低功耗

<code>
先进封装技术：

传统封装：           2.5D封装：           3D封装：
┌─────┐            ┌─────────┐         ┌─────────┐
│芯片 │            │芯片1芯片2│         │  芯片2  │
└──┬──┘            └───┬─────┘         └────┬────┘
   │ 引线               │ 硅中介层            │ TSV
   ▼                   ▼                    ▼
┌─────┐            ┌─────────┐         ┌─────────┐
│基板 │            │   基板   │         │  芯片1  │
└─────┘            └─────────┘         └────┬────┘
                                             │
                                        ┌─────────┐
                                        │   基板   │
                                        └─────────┘

TSV：硅通孔（Through-Silicon Via）
</code>

**代表技术**：
  * CoWoS（TSMC）
  * EMIB（Intel）
  * HBM（高带宽内存）

====== 10.7.2 新材料和新器件 ======

**碳纳米管（CNT）**：
  * 优异的电学特性
  * 可能比硅更高的迁移率
  * 可制造更小尺寸的晶体管
  * 挑战：批量生产、纯度控制

**二维材料（如石墨烯、MoS₂）**：
  * 原子级厚度
  * 优异的电学、光学特性
  * 适合超短沟道晶体管

**自旋电子学**：
  * 利用电子自旋而非电荷
  * 非易失性、低功耗
  * MRAM的基础

**负电容晶体管（NC-FET）**：
  * 降低亚阈值摆幅
  * 实现更低的工作电压
  * 进一步降低功耗

**神经形态器件**：
  * 忆阻器（Memristor）
  * 相变器件
  * 实现存算一体、类脑计算

------

===== 10.8 练习题 =====

==== 一、选择题 ====

  1. 量子计算的基本单位是（  ）
     A. 比特    B. 量子比特    C. 字节    D. 字

  2. 以下哪种算法是量子算法（  ）
     A. 快速排序    B. Shor算法    C. Dijkstra算法    D. 动态规划

  3. 神经形态计算模仿的是（  ）
     A. 心脏    B. 大脑    C. 眼睛    D. 耳朵

  4. 以下不属于新型存储器的是（  ）
     A. MRAM    B. ReRAM    C. DRAM    D. PCRAM

  5. 存算一体技术主要解决（  ）
     A. 计算速度慢    B. 存储容量小    C. 存储墙问题    D. 功耗高

  6. n个量子比特可以同时表示（  ）个状态
     A. n    B. 2n    C. n²    D. 2ⁿ

  7. 以下哪种光计算技术最接近商业化（  ）
     A. 光学数字计算    B. 光互连    C. 纯光计算机    D. 光存储

  8. Chiplet技术的主要优势是（  ）
     A. 提高单芯片性能    B. 降低成本、提高良率    C. 减少封装步骤    D. 提高工作频率

  9. 以下哪种技术不是后摩尔时代的技术方向（  ）
     A. 继续缩小晶体管    B. 先进封装    C. 新材料    D. 存算一体

  10. 神经形态芯片TrueNorth的功耗大约是（  ）
     A. 100W    B. 10W    C. 1W    D. 70mW

==== 二、填空题 ====

  1. 量子力学的两个重要特性是_______和_______。

  2. 量子计算中的Shor算法用于_______，Grover算法用于_______。

  3. 神经形态计算的代表芯片有Intel的_______和IBM的_______。

  4. 新型存储技术包括_______、_______和_______。

  5. 存算一体技术的主要优势是减少_______和降低_______。

  6. 2.5D封装使用_______技术连接多个芯片。

  7. 光计算的优势包括高速度、高带宽、_______和_______。

  8. 摩尔定律指出，集成电路上可容纳的晶体管数量每_______个月翻一番。

  9. 异构计算中，NPU用于_______加速，DPU用于_______加速。

  10. 量子计算的技术路线包括超导量子比特、_______、_______和拓扑量子等。

==== 三、简答题 ====

  1. 简述量子计算的基本原理和优势。

  2. 什么是神经形态计算？它有什么特点？

  3. 简述新型存储技术的发展趋势。

  4. 为什么需要发展新型计算技术？

  5. 简述存算一体技术的原理和优势。

  6. 什么是Chiplet技术？它有什么优势？

  7. 简述光计算的概念、优势和挑战。

==== 四、论述题 ====

  1. 结合所学内容，论述后摩尔时代计算机体系结构的发展趋势。

----

**参考答案**：

一、选择题：1.B  2.B  3.B  4.C  5.C  6.D  7.B  8.B  9.A  10.D

二、填空题：
  1. 量子叠加、量子纠缠
  2. 大数质因数分解、无序数据库搜索
  3. Loihi、TrueNorth
  4. MRAM、ReRAM、PCRAM（或FeRAM）
  5. 数据搬运、功耗
  6. 硅中介层
  7. 低干扰（不受电磁干扰）、低功耗
  8. 18-24
  9. AI（神经网络）、数据（网络/存储/安全）
  10. 离子阱、光量子

三、简答题：
  1. 量子计算利用量子力学原理（叠加态、纠缠态）进行计算。n个量子比特可同时表示2ⁿ个状态，具有指数级并行性。优势：Shor算法可快速分解大数，Grover算法可加速搜索。

  2. 神经形态计算模仿人脑神经网络进行计算。特点：存算一体、事件驱动、极低功耗、容错性强、自适应学习。

  3. 新型存储技术向非易失、高速、高密度方向发展，包括MRAM、ReRAM、PCRAM等，目标是缩小内存与存储的鸿沟，支持存算一体。

  4. 摩尔定律放缓，传统缩放遇到物理极限；功耗墙限制；新应用（AI、大数据）需要新架构；需要更高能效比的计算。

  5. 存算一体在存储器中进行计算，减少数据在处理器和存储器之间的搬运。优势：减少数据搬运开销、降低功耗、提高带宽和吞吐量。

  6. Chiplet将大芯片拆分为多个小芯片分别制造后集成。优势：降低成本、提高良率、支持不同工艺节点混合、灵活组合。

  7. 光计算利用光子进行计算。优势：高速度、高带宽、不受电磁干扰、低功耗。挑战：光子间难以相互作用、器件尺寸大、与电子系统集成困难。

四、论述题：
  1. 要点：
     - 从通用计算转向异构计算和领域专用架构
     - 从单一芯片优化转向系统级优化（先进封装）
     - 从电荷计算探索新计算范式（量子、神经形态、光计算）
     - 从存算分离转向存算一体
     - 新材料和新器件的探索
     - 从性能优先转向能效优先
Detach Close
您访问的页面并不存在。如果允许，您可以使用创建该页面按钮来创建它。