您的位置首页 >半导体 >

Weebit Nano 启动 Weebit Matrix 存内计算全球研究计划ReRAM 开发套件面向产学研开放

2026 年 11 月 4 日,先进存储技术开发商与授权商 Weebit Nano Limited(ASX: WBT)宣布启动 Weebit Matrix™存内计算(In-Memory Compute, IMC)全球研究计划,面向产业界和学术界研究人员提供基于自家 ReRAM(阻变式存储器)的硬件开发套件,用于存内计算算法与系统的探索和原型验证。计划的核心思路是把计算直接放到存储器阵列内部完成,减少处理器与内存之间的数据搬运,从而缓解 AI 推理场景下的带宽瓶颈、降低延迟和功耗;首批平台分为评估套件和快速入门套件两种配置,研究芯片采用 32×32 交叉阵列架构,支持乘累加(MAC)、向量矩阵乘法、卷积、脉冲神经网络(SNN)和模拟计算。参与研究的团队需把 ReRAM 相关发现和反馈回传 Weebit,共同改进技术并惠及研究社区;平台仅限研究和原型用途,不授予商用权利。目前套件面向符合条件的研究人员开放申请,Weebit 还将在 electronica 2026 展会现场展示该平台。需要说明的是,公开的功耗与延迟倍数来自特定模型、工作负载和对比硬件的评估预测,商用 IMC 方案在推向市场前仍有技术挑战需要解决,不等同于量产产品的实测指标。

一、为什么要做存内计算:传统架构的瓶颈

1. 数据搬运是 AI 负载的主要成本项

  • 现代 AI 工作负载中,模型权重和中间数据需要在处理器与存储器之间反复搬运。
  • 搬运过程会带来性能与带宽瓶颈,并占用总能耗的很大一部分。
  • 推理场景下权重被反复读取、更新频率较低,尤其适合在存储侧完成计算。

2. IMC 怎么解决问题

传统冯・诺依曼架构存内计算(IMC)架构
数据从内存搬到处理器再计算计算直接在存储阵列内完成
权重每次计算都要读取搬运权重以存储单元电导形式保留,阵列内并行计算
受内存带宽限制,延迟和功耗较高减少数据搬运,提升速度,显著降低功耗
数字乘法器完成 MAC 运算交叉阵列基于欧姆定律、基尔霍夫定律并行完成模拟 MAC

3. 为什么选 ReRAM 作为 IMC 候选介质

  • 非易失性:断电保留权重,适合边缘推理。
  • 模拟特性:单元电导可表示神经网络权重,支持模拟向量矩阵运算。
  • 超低功耗、可扩展、性价比高。
  • 可在后道工序(BEOL)制造,集成便利。
  • 原生抗辐射特性,可延伸到航空航天、国防和医疗场景。

二、Weebit Matrix 平台:芯片与两种套件

1. 研究芯片规格

项目参数
阵列架构32×32 交叉阵列(crossbar)
单元数量1024 个可独立选择的 ReRAM 单元
单元结构1T1R(一晶体管一电阻)
支持运算乘累加 MAC、向量矩阵乘法、卷积处理、脉冲神经网络 SNN、模拟计算
芯片设计定位简化模拟阵列,不集成数字处理或外围转换电路,便于研究人员直接访问单元行为

2. 两种研究套件对照

套件配置内容适用研究层级主要用途
Weebit Matrix IMC Evaluation Package(评估套件)直连评估板,可直接访问硬件器件级器件级交互、32×32 ReRAM 阵列详细电学表征
Weebit Matrix IMC Quick-Start Package(快速入门套件)完整 IMC 板卡 + FPGA 子系统 + 示例代码系统级矩阵向量运算、神经网络推理开发,板载 FPGA 与控制逻辑

3. 套件共同包含内容

  • 封装好的芯片样品(packaged dies)。
  • 技术文档。
  • 带插座的 IMC 板卡。

4. 平台可完成的实验动作

  • 对字线(WL)、位线(BL)、选择线(Select-line)施加和控制电压。
  • 编程和读取 ReRAM 单元状态,包括多电阻等级。
  • 执行存内运算:向量矩阵 MAC、卷积。
  • 多块板卡互联,扩展有效阵列规模。
  • 在辐射、高温、EMI 条件下做压力与可靠性测试。
  • 基于真实硅片行为开发和验证算法与架构。

三、目标场景与早期评估数据

1. 优先落地方向

  • 边缘 AI 与 IoT 设备:模型较小、功耗和延迟约束严格,是当前研究兴趣最集中的方向。
  • 汽车传感器、工业设备等嵌入式应用:本地低功耗推理需求明确。
  • 航空航天、国防、医疗:利用 ReRAM 原生抗辐射特性。
  • 数据中心场景也在探索,但面临模型更大、工艺节点要求更高等不同挑战。

2. 美国抗辐射 AI 硬件公司评估案例

  • 一家专注抗辐射 AI 硬件的美国公司,用 Weebit ReRAM 评估面向严苛环境的下一代低功耗 AI 加速器。
  • 探索直接在 ReRAM 阵列内完成神经网络处理,并与 GPU、FPGA 常规方案做基准对比。
  • 评估结论(预测口径):在给定 AI 推理工作负载下,ReRAM 存内计算方案功耗可比 GPU 方案低约 80 倍,延迟降低近 100 倍;另一篇行业分析对比基准为 NVIDIA GeForce RTX 4090,功耗约为其 1/80,推理延迟可降到 1 毫秒以内(对比传统方案数十毫秒)。
  • 上述数字仅适用于该特定模型、工作负载和对比硬件,不能直接外推到所有场景。

3. 平台公开的能效定位

  • 产品页口径:每次推理操作能耗可降低 10 倍 —100 倍。
  • 并行计算能力:原生支持向量 - 矩阵 MAC 运算。

四、研究计划怎么参与

1. 申请条件与流程

  1. 准备明确的研究项目方向(AI 加速、近存计算、新兴架构、神经形态等)。
  2. 通过官方申请通道提交研究项目说明。
  3. Weebit 评估申请与计划研究重点的匹配度。
  4. 符合条件的研究人员 / 团队获得对应套件。
  5. 研究过程中把 ReRAM 相关发现和反馈分享给 Weebit,用于改进技术和工具链。

2. 使用边界

  • 平台仅用于研究和原型开发,不包含商用使用权。
  • 套件面向产业界与学术界研究人员开放。
  • 研究成果反馈回流,形成产学研协同的技术迭代闭环。

3. 现场展示

  • Weebit 将在 electronica 2026 展位展示 Weebit Matrix IMC:Hall C2,stand 637。

五、技术背景与合作脉络

1. 长期存内 / 神经形态研究积累

  • Weebit 多年来与合作伙伴在存内计算和神经形态计算领域开展研究合作。
  • 2019 年与法国 CEA-Leti 合作完成基于 ReRAM 的首个脉冲神经网络(SNN)演示。
  • 本次研究计划是把既有合作正式化、平台化,向更广泛研究社区开放真实硅片。

2. 韩国国家级 ACiM 项目(相关背景)

  • 2026 年 3 月 5 日,Weebit ReRAM 入选韩国政府资助的国家级模拟存内计算(ACiM)项目。
  • 合作方包括韩国晶圆厂 DB HiTek,以及 DGIST、首尔国立大学、忠北国立大学、ETRI、AnalogAI 等机构。
  • 项目目标:从测试结构走向器件阵列级硅片实现,聚焦硅验证 ACiM 模块、应用级评估和器件 - 电路 - 架构协同优化,能效目标约 200 TOPS/W。

3. 行业观点

  • Yole Group 存储器首席分析师 Simone Bertolazzi 博士:针对近存计算和存内计算架构的低功耗边缘 AI 设备,业界正在大量研究 ReRAM 等新兴非易失存储;ReRAM 兼具非易失性、可微缩性、低功耗和模拟计算能力,是 IMC 极具潜力的候选技术之一。

六、管理层表态要点

  • Coby Hanoch,Weebit Nano CEO:多年存内与神经形态合作已积累基础,2019 年与 CEA-Leti 完成首个 ReRAM SNN 演示;企业和研究机构对用 Weebit ReRAM 支撑新计算范式兴趣浓厚,并开始转化为实际合作。商用 IMC 方案上市前仍有技术挑战需要解决,研究计划让公司与学术界携手交流知识和想法,共同推动技术进步。
  • Eran Briman,市场与业务发展负责人:计划源于高校、研究所和半导体公司希望跳出仿真、在真实器件上做实验的需求;初期兴趣集中在低功耗、低延迟约束严格的边缘 AI,汽车传感器、工业设备等嵌入式应用尤其有前景。

七、后续观察点

  1. 首批参与团队的算法验证结果:精度、延迟、功耗在真实硅片上的表现。
  2. 多板卡互联扩展阵列后的系统级稳定性与可靠性。
  3. 多电阻等级编程、器件一致性和模拟计算精度的改进进度。
  4. 从研究套件走向商用 IP / 产品的时间节点与工艺集成方案。
  5. 边缘 AI、抗辐射场景与韩国 ACiM 项目之间的技术协同。

【常见问题】

问题 1:Weebit Nano 启动的 Weebit Matrix 存内计算研究计划是做什么的?

回答 1:Weebit Matrix™ IMC 全球研究计划是 Weebit Nano 在 2026 年 11 月 4 日推出的开放研究项目,为产业界和学术界研究人员提供基于 ReRAM 的硬件开发套件,用于存内计算算法、AI 与神经形态架构的探索和原型开发。研究人员可在真实硅片上测试 AI 算法、编程方法、功耗与性能收益,并把 ReRAM 相关发现反馈给 Weebit;平台仅限研究原型用途,不授予商用权利。

问题 2:Weebit Matrix 存内计算平台用的是什么芯片,支持哪些运算?

回答 1:研究芯片采用 32×32 ReRAM 交叉阵列架构,含 1024 个可独立选择的 1T1R 单元,支持乘累加 MAC、向量矩阵乘法、卷积处理、脉冲神经网络 SNN 和模拟计算。芯片为简化模拟阵列、不集成数字处理与外围转换电路,便于研究人员直接控制字线、位线、选择线电压,编程和读取多电阻状态,多板卡互联后还可扩展有效阵列规模。

问题 3:Weebit Matrix 研究计划提供哪两种套件,分别适合什么研究?

回答 1:计划提供两种研究套件:Evaluation Package 评估套件带直连评估板,适合器件级研究,做 32×32 阵列的直接模拟访问和详细电学表征;Quick-Start Package 快速入门套件含完整 IMC 板卡、FPGA 子系统和示例代码,适合系统级开发,支持矩阵向量运算和神经网络推理。两种套件都包含封装芯片样品、文档和带插座的 IMC 板卡。

问题 4:为什么 Weebit Nano 认为 ReRAM 适合做存内计算,目标场景有哪些?

回答 1:Weebit ReRAM 具备超低功耗、可扩展、高性价比、模拟计算特性和 BEOL 易制造等特点,单元电导可表示神经网络权重,天然适配 IMC 阵列;同时原生抗辐射,可用于航空航天、国防和医疗。优先场景是边缘 AI 和 IoT 设备,以及汽车传感器、工业设备等低功耗嵌入式应用;数据中心大模型场景也在探索,但面临模型规模和工艺节点上的不同挑战。

问题 5:Weebit Matrix 存内计算方案早期评估的功耗和延迟表现如何,怎么参与申请?

回答 1:一家美国抗辐射 AI 硬件公司用 Weebit ReRAM 评估低功耗 AI 加速器,预测在给定推理负载下功耗可比 GPU 方案低约 80 倍、延迟降低近 100 倍(另一对比口径为功耗约 RTX 4090 的 1/80、延迟降至 1 毫秒以内),该数据仅对应特定模型、工作负载和对比硬件。符合条件的研究人员可凭研究项目通过官方申请通道提交,Weebit 按研究方向匹配度评估;平台将在 electronica 2026 Hall C2 展位 637 展示。

【数据来源】

  • [2026-11-16](Weebit Nano 启动 Weebit Matrix™存内计算全球研究计划)电子工程世界 EEWORLD
  • [2026-11-10](Weebit Nano launches Matrix research program to test AI computing inside memory)SemiWiki
  • [2026-11-04](Weebit Nano launches Weebit Matrix™ In-Memory Compute Research Program)Weebit Nano 官方新闻稿
  • [2026-11-04](Weebit Nano opens ReRAM silicon to researchers exploring in-memory AI)Jon Peddie Research
  • [2026-11-04](Weebit Matrix™ IMC Research Program 产品介绍页)Weebit Nano 官网
  • [2026-03-05](Weebit Nano's ReRAM Selected for Korean National Compute-in-Memory Program)Weebit Nano 官方新闻稿

【免责声明】

本文技术参数、套件配置与能效数据整理自 Weebit Nano 官方公告、产品页及 EEWORLD、SemiWiki、JPR 等公开报道;文中 80 倍功耗降低、近 100 倍延迟降低、10x—100x 能效区间等均为特定模型、工作负载或对比硬件下的评估 / 预测口径,不代表量产产品的保证性能。存内计算目前仍处于研究与原型阶段,商用化面临器件一致性、精度、外围电路、工艺集成等技术挑战;套件申请资格、配置与使用条款以 Weebit 官方审核结果和协议为准。本文仅供行业技术资讯参考,不构成投资建议、采购建议或产品承诺;文中涉及的企业、品牌、芯片及产品名称归各自权利人所有。

今日大家都在搜的词: