3D逻辑-DRAM混合键合技术：推荐系统中的高效内存引擎

"ISSCC2022_Session_29_PPT 涉及的是在新兴应用中的机器学习芯片，特别是3D逻辑到DRAM混合键合技术，用于推荐系统的处理近内存引擎。报告由阿里巴巴达摩院的研究人员共同完成，探讨了一种能实现184QPS（每秒查询数）/W（瓦特）和64Mb/mm²存储密度的高效解决方案。" 在国际固态电路会议（ISSCC）2022年的第29会话中，重点介绍了针对新兴应用的机器学习（ML）芯片。论文标题为“29.1:184QPS/W64Mb/mm2 3D Logic-to-DRAM Hybrid Bonding with Process-Near-Memory Engine for Recommendation System”，展示了在推荐系统中使用的新型3D结构的逻辑与DRAM混合键合技术。这种技术的独特之处在于其能以极高的能效比（184QPS/W）和高存储密度（64Mb/mm²）运行，这对处理大数据和机器学习任务至关重要。 3D Logic-to-DRAM混合键合技术是一种先进的封装方法，它允许逻辑电路与动态随机存取内存（DRAM）更紧密地集成在一起，减少了数据传输延迟并提高了能效。这种方法可以显著改善传统2D架构中的内存访问瓶颈问题，对于需要快速、低功耗处理大量数据的推荐系统来说，是一个重要的进步。 论文作者团队来自阿里巴巴达摩院的多个分部以及西安的UniIC，他们通过自身的教育背景和工作经验，在电子工程和计算机科学领域有深厚的积累。他们的研究旨在推动计算硬件的边界，尤其是在推荐系统这样的大数据应用中，提高芯片性能和能效。 处理近内存（Process-Near-Memory，PNM）引擎是该技术的核心，它使得处理单元能够更接近数据存储位置，减少了数据传输时间和能量消耗。这一创新设计有助于减少对主内存的依赖，从而降低了整体系统的功耗和延迟，提升了推荐系统的实时性和准确性。 ISSCC2022_Session_29_PPT展示了在机器学习芯片设计领域的最新进展，特别是在优化推荐系统性能方面。通过3D逻辑到DRAM的混合键合技术和处理近内存引擎，研究人员成功地创建了一个能效极高、存储密度大的解决方案，这将对未来的数据中心和云计算平台产生深远影响。