摘要：本论文针对边缘计算场景下对芯片能效的迫切需求，深入研究基于存算一体架构的边缘计算芯片能效优化设计。通过分析存算一体架构的原理与优势，结合边缘计算的特点与应用需求，从架构设计、算法优化、电路设计等多维度提出能效优化策略。研究表明，合理的存算一体架构设计与优化方法能够显著提升边缘计算芯片的能效，为边缘计算技术的广泛应用提供有力支撑，对推动物联网、人工智能等领域的发展具有重要意义。

关键词：存算一体架构；边缘计算芯片；能效优化；架构设计；算法优化

1 引言

随着物联网、人工智能等技术的飞速发展，数据量呈爆炸式增长。边缘计算作为一种新兴的计算范式，将计算任务从云端下沉到网络边缘，能够有效减少数据传输延迟、降低网络带宽压力，并保护数据隐私。然而，边缘设备通常受限于能源供应和计算资源，对芯片的能效提出了极高的要求。传统冯・诺依曼架构存在 “存储墙” 问题，数据在存储单元和计算单元之间的频繁传输消耗了大量的能量和时间，严重制约了芯片能效的提升。存算一体架构打破了传统架构的限制，将计算功能融入存储单元，减少数据搬运，有望从根本上解决 “存储墙” 问题，提高芯片能效。因此，开展基于存算一体架构的边缘计算芯片能效优化设计研究具有重要的理论意义和实际应用价值。

2 存算一体架构与边缘计算概述

2.1 存算一体架构原理

存算一体架构的核心思想是将计算逻辑集成到存储单元中，实现数据存储与计算的融合。目前，常见的存算一体技术包括基于相变存储器（PCM）、阻变存储器（RRAM）、忆阻器等新型非易失性存储器的存算一体方案。以忆阻器为例，忆阻器的阻值可以根据流经的电流大小和方向发生改变，通过对忆阻器阻值的精确控制和测量，能够实现逻辑运算和数据存储功能。在存算一体架构中，数据无需在存储单元和计算单元之间反复搬运，减少了数据传输带来的能耗和延迟，为提高芯片能效提供了新的途径。

2.2 边缘计算的特点与需求

边缘计算具有低延迟、高可靠性、数据本地化处理等特点。在智能家居、工业物联网、自动驾驶等应用场景中，边缘设备需要实时处理大量的传感器数据，并做出快速响应。例如，在自动驾驶场景中，车辆需要在极短的时间内对周围环境信息进行处理和分析，以做出正确的驾驶决策，这就要求边缘计算芯片具备强大的计算能力和极低的延迟。同时，由于边缘设备通常采用电池供电，能源有限，因此对芯片的能效要求极高。此外，边缘计算还面临着数据隐私保护、设备异构性等挑战，这些都对边缘计算芯片的设计提出了更高的要求。

2.3 存算一体架构在边缘计算中的优势

存算一体架构在边缘计算中具有显著的优势。首先，减少数据传输能耗。边缘计算场景下，大量数据需要在本地进行处理，存算一体架构避免了数据在存储和计算单元之间的长距离传输，降低了数据传输带来的能耗。其次，提高计算效率。由于数据无需搬运，存算一体架构能够实现数据的并行计算，大大提高了计算效率，满足边缘计算对实时性的要求。最后，降低芯片面积。存算一体架构将存储和计算功能集成在一起，减少了芯片内部的布线和接口，降低了芯片面积，有利于实现边缘设备的小型化和低功耗设计。

3 基于存算一体架构的边缘计算芯片能效影响因素分析

3.1 架构设计因素

架构设计是影响存算一体架构边缘计算芯片能效的关键因素之一。存储单元与计算单元的融合方式、数据通路的设计、并行计算单元的布局等都会对芯片能效产生重要影响。例如，如果存储单元与计算单元的融合不够紧密，会导致数据传输路径变长，增加能耗；不合理的数据通路设计可能会造成数据冲突，降低计算效率，进而影响能效。

3.2 算法因素

算法对芯片能效的影响不容忽视。不同的算法在计算复杂度、数据访问模式等方面存在差异，这些差异会直接影响芯片的能耗。例如，在图像识别应用中，采用简单高效的特征提取算法可以减少计算量，降低芯片能耗；而复杂的深度学习算法虽然能够提高识别准确率，但计算量巨大，对芯片的能效提出了更高的挑战。因此，选择合适的算法，并对算法进行优化，使其适应存算一体架构的特点，是提高芯片能效的重要途径。

3.3 电路设计因素

电路设计也是影响芯片能效的重要因素。存储单元和计算单元的电路结构、电源管理策略、时钟设计等都会对芯片能耗产生影响。例如，采用低功耗的存储单元电路结构可以降低存储操作的能耗；合理的电源管理策略能够根据芯片的工作状态动态调整电源电压和频率，减少不必要的能耗。此外，优化时钟设计，减少时钟信号的传输延迟和功耗，也有助于提高芯片能效。

4 基于存算一体架构的边缘计算芯片能效优化设计策略

4.1 架构优化设计

存储 - 计算融合优化：进一步优化存储单元与计算单元的融合方式，采用更紧密的集成技术，缩短数据传输路径。例如，可以将计算逻辑直接嵌入到存储阵列中，使数据在存储单元内部即可完成计算操作，减少数据搬运。

并行计算架构设计：根据边缘计算应用的特点和需求，设计合理的并行计算架构。对于具有数据并行特性的应用，如神经网络计算，可以采用大规模并行的存算一体单元阵列，提高计算效率；对于任务并行的应用，则可以设计多核心的存算一体架构，实现任务的并行处理。

数据通路优化：优化数据通路设计，减少数据冲突和传输延迟。采用先进的总线架构和数据缓存机制，提高数据传输的效率和可靠性。同时，合理规划数据流向，避免数据的迂回传输，降低能耗。

4.2 算法优化

算法选择与适配：根据存算一体架构的特点，选择适合的算法。优先选择计算复杂度低、数据访问模式简单的算法，并对算法进行适配优化，使其充分利用存算一体架构的优势。例如，在边缘计算的图像分类应用中，可以采用轻量化的神经网络模型，如 MobileNet、ShuffleNet 等，减少计算量和数据存储需求。

算法重构与加速：对现有的算法进行重构，使其更适合存算一体架构的计算模式。例如，将传统的串行算法转换为并行算法，充分发挥存算一体架构的并行计算能力；利用存算一体架构中存储单元的特性，设计新的计算操作，加速算法的执行。

4.3 电路优化设计

低功耗存储单元设计：采用新型低功耗存储技术，如 RRAM、PCM 等，设计低功耗的存储单元电路。优化存储单元的读写操作电路，降低存储操作的能耗。同时，研究存储单元的休眠和唤醒机制，在不使用时降低存储单元的功耗。

电源管理策略优化：设计动态电源管理策略，根据芯片的工作负载和任务需求，动态调整电源电压和频率。采用电压岛、多阈值电压等技术，对不同的电路模块进行差异化供电，降低整体能耗。此外，还可以利用能量回收技术，将芯片在工作过程中产生的能量进行回收利用，提高能源利用率。

结束语

本论文对基于存算一体架构的边缘计算芯片能效优化设计进行了深入研究。通过分析存算一体架构的原理、边缘计算的特点以及能效影响因素，从架构设计、算法优化、电路设计等多个方面提出了能效优化设计策略。研究结果表明，合理的存算一体架构设计与优化方法能够显著提升边缘计算芯片的能效，满足边缘计算场景对芯片能效的严格要求。

参考文献：

[1]联发科发布新的 AI 边缘计算芯片[J].自动化博览,2025,42(02):9.

[2]张心怡.AMD 推出最新自适应SoC 提升边缘计算芯片的灵活性和适应性[N].中国电子报,2024-04-19(008).

[3]王欣.边缘计算中异构计算资源的任务调度研究[D].重庆大学,2023.