一、为什么需要 Wafer-scale 架构

传统芯片存在一个核心瓶颈：

面积与互连限制

一颗常规芯片通常只有：

• 几百 mm² 面积

• 几十亿晶体管

• 有限的IO带宽

但生物大脑规模大约为：

• 约 (10^{11}) 神经元

• (10^{14}–10^{15}) 突触

如果使用普通芯片实现，就需要成千上万颗芯片互连，导致：

• 延迟增加

• 功耗暴涨

• 网络复杂

因此一种思路是：

把整片晶圆变成一颗计算芯片

晶圆面积通常：

• 300mm wafer ≈ 70,000 mm²

是普通CPU芯片面积的100–300倍。

二、典型 wafer-scale 神经形态结构

一个典型的架构可以分为四个层次：

wafer ├── neuron tile │     ├── neuron circuits │     └── local synapse memory │ ├── synapse crossbar arrays │ ├── routing network │ └── global learning engine

1 神经元计算单元（Neuron Tile）

晶圆被划分为成千上万个 tile。

每个 tile 包含：

• 神经元电路

• 突触阵列

• 本地缓存

• 通信接口

例如一个 tile 可以包含：

• 1024 neurons

• 1M synapses

整片 wafer 可能达到：

• 数百万神经元

• 数十亿突触

2 突触矩阵（Crossbar Synapse Array）

核心结构是 crossbar matrix。

word line  → presynaptic neuronbit line   → postsynaptic neuronintersection → memristor synapse

电流自然实现：

[
I = V times W
]

即模拟矩阵乘法。

优点：

• 并行

• 能耗低

• 计算与存储合一

3 Spike Communication Network

大脑通信是 spike event。

芯片采用：

AER (Address Event Representation)

结构类似：

neuron fires spike↓address packet↓on-wafer network↓target neuron

网络通常是：

• mesh network

• hierarchical tree

• packet-switched network

这样可以在晶圆内实现百万级神经元通信。

三、关键技术：3D 神经形态堆叠

真正接近大脑的结构需要：

3D stacking

因为大脑是三维连接网络。

一种可能结构：

Layer 1  CMOS neuron circuitsLayer 2  memristor synapse arraysLayer 3  routing networkLayer 4  learning circuits

使用：

• TSV（Through Silicon Via）

• hybrid bonding

• wafer bonding

垂直连接密度可达：

10^6 interconnects / mm²

远超传统封装。

四、关键材料与器件

1 CMOS 神经元

模拟电路实现：

• integrate

• threshold

• reset

优点：

• 工艺成熟

• 稳定

2 Memristor 突触

材料包括：

• HfO?

• TaOx

• TiO?

机制：

氧空位迁移conductive filament

实现：

• 可调权重

• STDP学习

3 Phase-change memory

材料：

• GeSbTe

通过：

晶态 ↔ 非晶态

改变电阻。

五、晶圆级互连网络

Wafer-scale 系统必须解决：

长距离通信

通常采用：

1 层级网络

neuron cluster    ↓regional router    ↓global router

类似：

大脑皮层结构

2 光互连

未来方向：

silicon photonics

优势：

• 高带宽

• 低延迟

• 长距离通信

结构：

laserwaveguidephotodetector

六、容错设计

整片晶圆使用意味着：

不可避免存在缺陷

解决方案：

1 冗余 neuron

active neuronbackup neuron

2 可重构网络

坏块可以被绕过：

faulty tile→ routing bypass

3 自学习适应

神经网络可以自动适应部分硬件损坏。

七、功耗问题

生物大脑功耗：

≈ 20 W

超级计算机模拟大脑需要：

> 1 MW

Neuromorphic wafer 目标：

< 1 kW

原因：

• event-driven

• analog compute

• local memory

八、现实中的典型系统

Cerebras wafer-scale engine

由
Cerebras Systems
开发。

特点：

• 850,000 cores

• 2.6 trillion transistors

• wafer-scale chip

面积：

46,000 mm²

Intel neuromorphic chip

Intel 的
Loihi

特点：

• spike neural network

• on-chip learning

IBM 神经形态系统

IBM

开发：

TrueNorth

• 1 million neurons

• 256 million synapses

九、未来架构：真正的“硅基大脑”

理想结构可能是：

Wafer-scale 3D neuromorphic stack

包含：

1

神经元层
CMOS neuron arrays

2

突触层
memristor crossbars

3

通信层
optical network

4

学习层
local plasticity circuits

十、理论规模

如果使用：

• 300 mm wafer

• 3D stack

• memristor synapse

理论可实现：

10^8 – 10^9 neurons10^12 – 10^13 synapses

接近：

小型哺乳动物大脑规模

十一、终极方向

未来可能出现：

Brain-scale computer

结构类似：

rack └── wafer brain modules        └── optical interconnect

规模：

10^11 neurons10^15 synapses

功耗可能：

1–10 kW

一个重要结论

真正接近生物大脑的计算机不会是 GPU 或 CPU 的延伸，而是：

物理动态系统

特点：

• 模拟计算

• 事件驱动

• 分布式学习

• 极高连接密度