FinFET
PulseAugur coverage of FinFET — every cluster mentioning FinFET across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新硬件扩展Ventaglio提升Transformer推理速度
研究人员开发了一种名为Ventaglio的新型硬件扩展，旨在显著加速向量处理器上的稀疏张量收缩，这是Transformer模型推理的关键操作。该扩展集成到一个12nm FinFET集群中，为索引的gather-accumulate-scatter操作提供了原生支持，克服了现有RVV架构的局限性。Ventaglio在优化的基线之上实现了6.9倍至7.4倍的显著加速，并在具有双稀疏性的DuoGPT剪枝LLaMA-3-8B模型上展示了2.0…
-
新型位串行 CNN 加速器提升 XR 视觉效率
研究人员开发了 BitFair，这是一种专为超低功耗扩展现实 (XR) 应用设计的新型位串行 CNN 加速器。该加速器集成了可学习的早期终止和自适应比特排序，以优化性能和能效。BitFair 在 12nm GlobalFoundries FinFET 工艺上实现，可实现亚毫秒级延迟，并且与现有的 XR 视觉加速器相比，能效显著提高，同时在 N-MNIST 和 IBM DVS128 Gesture 等基准数据集上保持高精度。
-
自编码器框架实现FinFET晶体管的快速建模
研究人员开发了一个使用自编码器的机器学习框架，以高效地对FinFET晶体管进行建模。该自编码器将电流-电压（I-V）曲线压缩到潜在空间，捕捉了关键的器件物理特性，并能够准确地重建I-V数据。该模型还可以直接提取阈值电压和跨导等关键器件指标，在最少的训练数据下展现出高精度，从而实现快速的器件表征和仿真。
-
AI框架加速氮化镓鳍式场效应晶体管设计，提高效率
研究人员开发了PALTO，一个物理信息主动学习框架，用于优化垂直供电系统中氮化镓（GaN）三栅鳍式场效应晶体管的设计。与传统的TCAD方法相比，这种机器学习方法通过智能引导仿真，显著加速了设计过程。该框架识别出两款优化器件，其中一款器件的性能优于工业基准，在0.49欧姆导通电阻下实现了3.3A的电流，并展示了2倍的开关效率。