在深度学习与人工智能技术迅猛发展的今天，大规模神经网络模型如Transformer的应用日益广泛，对计算硬件的性能提出了前所未有的挑战。传统的基于忆阻器RRAM的电存算一体（CIM）架构在应对这些挑战时，面临着一个严峻的问题——随着阵列规模的扩大，导线电阻也随之增大，IR压降效应愈发显著，严重限制了CIM阵列规模的扩展（图1）。在2025 Symposium on VLSI Technology and Circuits（VLSI）半导体顶会上，来自新加坡国立大学（NUS）的Aaron Thean教授团队展示了一项光电混合存内计算的研究（图1c），共同第一作者为赵石（NUS博士生）、许泽锋（现香港科技大学（广州）助理教授）和杨洁（NUS博士生）。该研究首次提出一种新型的双晶体管单调制器（2T1M）光电混合存算阵列，通过光学位元线（bit line，BL）规避传统电位元线的IR损耗与电容负载问题：利用工作在亚阈值区域的铁电场效应晶体管（FeFET）存储器执行点积运算，经光信号相位调制实现结果求和，并采用低损耗铌酸锂（LNOI）马赫曾德调制器（MZI）实现高效电光转换，通过共享MZI对光子波导BL进行读取以最大化列布局效率。该架构通过消除电BL的IR损耗，可支持高达3750kb的阵列规模，在大规模 Transformer模型上，该架构仿真上可实现93.3%的推理精度，与GPU实现相当，显著超越传统CIM设计的48.3%。此外，通过消除大规模矩阵分解和重复外围电路的需求，能效提升超过3倍，达167 TOPS/W。

2T1M光电混合架构是一种全新的存算一体架构设计（图2），它巧妙地结合了电子和光子技术的优势，旨在解决传统CIM架构的IR压降问题。该架构的核心在于每个存储单元由两个晶体管和一个调制器组成，通过光电转换实现了无损的列线求和。在2T1M架构中，FeFET（铁电场效应晶体管）被用于执行乘法运算，这是因为FeFET在亚阈值区域具有良好的线性特性，能够实现高效的模拟计算。与传统的RRAM相比，FeFET具有更低的截止电流，这对于降低静态功耗至关重要。在室温下，FeFET在±3V、100μs条件下表现出亚pA级截止电流以及预期10年的保持特性和超过107次循环的可重复性。

2T1M架构的另一个关键组成部分是基于铌酸锂（LN）的调制器实现电信号到光信号的转换。铌酸锂材料的Pockels效应表明，当对铌酸锂材料施加电场时，其折射率会发生变化。这种折射率的变化会导致光信号的相位发生偏移。通过将多个2T1M单元集成在一个马赫-曾德尔干涉仪（MZI）的单臂上，各个单元产生的相位偏移可以被有效地累加，从而实现了向量矩阵乘法结果的无损求和（图6）。

这种光电转换和相位求和的方式具有显著的优势。首先，光信号在波导中的传播损耗极低，本研究中实现的铌酸锂波导传播损耗仅为0.28dB/cm，这使得大规模阵列中的信号无损传输成为可能。其次，相位求和是一种无损的求和方式，避免了传统电信号求和中因IR压降导致的误差积累问题。

为了验证2T1M架构的性能，该团队进行了详细的实验验证。结果表明，该架构在多个关键指标上表现出色，显著优于传统的CIM架构（图9）。

在准确性方面，当运行ALBERT模型的最大词嵌入层（30000×128）时，2T1M架构实现了93.3%的推理准确率，这一结果与完整的GPU实现相当，而传统的CIM架构在相同条件下仅能达到48.3%的准确率。这一巨大的差距充分说明了2T1M架构在克服IR压降问题后，能够更好地保持计算的准确性，尤其是在大规模阵列中（图10）。在可扩展性方面，2T1M架构表现出了显著的优势。传统CIM架构由于IR压降的限制，阵列规模很难超过256kb，而2T1M架构通过光电混合设计，成功实现了3750kb的超大阵列规模，这是传统架构的150倍以上。这种出色的可扩展性使得2T1M架构能够满足大规模神经网络模型的计算需求。 在功耗方面，2T1M架构同样表现优异。由于消除了IR压降，避免了大规模矩阵分解和重复的外围电路，该架构的功耗效率比最先进的传统CIM架构提高了37倍，达到了164TOPS/W的峰值性能。这一结果对于推动边缘计算和数据中心的能效提升具有重要意义。

（本文作者：ATG）

END