人工智能芯片
面向 CNN、SNN 和新型本地学习算法的高效硬件架构,关注计算密度、存储访问、数据复用和低功耗设计。
Lin's Digital Lab
记录 AI 芯片、RISC-V、FPGA 与数字集成电路设计实践。
About
电子科技大学集成电路专业博士研究生,研究方向包括人工智能算法、人工智能芯片、数字集成电路设计以及软硬件协同优化。关注 ASIC、FPGA、RISC-V、神经网络加速器和 EDA 设计流程。
围绕算法、架构、RTL 与实现流程建立可复用的芯片设计知识库。
面向 CNN、SNN 和新型本地学习算法的高效硬件架构,关注计算密度、存储访问、数据复用和低功耗设计。
从算法建模、定点化、RTL 实现、功能验证到逻辑综合和时序分析,构建完整的 ASIC 设计闭环。
研究 FPGA 上的神经网络加速、流式计算架构以及 PS-PL 协同设计。
关注 RISC-V 处理器、矩阵扩展、向量计算和领域专用协处理器设计。
阶段性设计原型和工程实践。
面向图像超分辨率网络的 FPGA 数据流加速原型,重点记录带宽、缓存和流水线设计问题。
查看详情基于 RISC-V 的矩阵计算扩展原型,关注指令接口、矩阵寄存器和乘加阵列组织方式。
查看详情面向本地学习算法的 CNN ASIC 架构探索,关注数据复用、片上存储和可综合 RTL 闭环。
查看详情面向 ECG 信号处理的 SNN 加速器原型记录,重点关注事件驱动计算和低功耗数字设计。
查看详情按时间整理集成电路、FPGA、RISC-V 和工程环境相关笔记。
一份关于 AI Agent、RTL 生成、验证闭环、EDA 工具反馈和 ASIC 前端工程交付的交互式网页演示。
最后一课将把前面所有内容压缩成一套统一分析框架,并给出面向 GPU 架构与 RTL 设计的后续实践路线。
这一课从 RTL 设计角度搭建一颗最小可运行的 SIMT GPU。重点是模块边界、状态机和实现顺序,而不是一开始复制完整商用 GPU。
这一课是倒数第三课,重点解释“计算量更少”为什么不一定更快,以及不规则访存、原子冲突和负载不均衡为何会削弱 GPU 优势。
这一课讲 Transformer 中计算量最大的 MLP 模块,以及 GEMM Epilogue、GELU/SiLU/SwiGLU 融合和张量并行的数据流。
偏向科研原型、RTL 实现、验证和工程化复现的工具组合。
Contact