千芯科技 半导体与人工智能资讯周刊 （2022.09.05-09.11）

SiMa.ai推出16nm机器学习SOC，英伟达创建两个大规模隐式数据集

针对半导体与人工智能两个重点领域，每周分享。
从行业动态、技术发展趋势、国内外投融资事件，快速呈现行业发展热点。（以北美日韩为主）

01

半导体行业动态摘要

重大新闻
▪美光150亿美元将领先内存制造引入美国
▪Kioxia增加了eMMC NAND
▪GaN HEMT IC充电时保护手机
▪膜分离器从锂电池中回收锂
▪SiMa.ai推出16nm机器学习SOC
▪弗劳恩霍夫IIS SDK将解码速度提高25%
▪intoPIX推出FastTicoRAW和FastTicoXS

02

人工智能行业动态摘要

重大新闻
▪Meta提出协作语言模型PEER
▪苹果开发新计算机视觉框架NeuMan
▪麻省理工学院通过深度学习识别无法诊断的癌症
▪谷歌发布专利短语相似性数据集
▪UC Berkeley介绍从草图生成逼真图像的无监督方法
▪英伟达创建两个大规模隐式数据集
▪DeepMind推出前链选择推理模型
▪Meta推出解码脑记录的自然语音处理
▪微软提出卷积视觉Transformer模型

融资/并购交易
[收购] Allegro收购Heyday
[融资] Morse Micro B轮融资1.4亿美元
[融资] Scintil 融资1900万欧元
[融资] CIL 融资900万英镑

01

半导体行业动态

(1)美光150亿美元将领先内存制造引入美国
9月3日
唯一的美国内存制造商美光科技公司表示他们计划在未来十年内投资约150亿美元，在爱达荷州博伊西建造一座用于尖端存储器制造的新晶圆厂。这将是20年来在美国建造的第一个新的内存制造厂，通过加速人工智能和5G的采用，确保了汽车和数据中心等细分市场所需的国内领先内存供应。这是美光在《CHIPS和科学法案》通过后计划在美国进行的第一笔投资，也是爱达荷州有史以来最大的私人投资。将新制造工厂与美光公司总部的研发中心放在一起，将提高运营效率，加快技术部署并缩短上市时间。

(2)Kioxia增加了eMMC NAND
9月5日
Kioxia 已经开始对 64 和 128GB eMMC NAND 进行采样，用于消费类应用，这些应用将内存和控制器集成在一个封装中，计划于 10 月正式发布。新的 eMMC 设备内存大小可选，内存空间大小从 4GB 到 1TB 不等。新器件具有改进的架构，可减少内部写入放大时间，并实现更稳定的顺序写入。现在，预编程的用户数据在客户制造过程中将具有更高的可靠性。同时从闲置到自动休眠的时间比现有产品减少了 100 倍。

(3)GaN HEMT IC充电时保护手机
9月5日
GaN HEMT IC可在充电时保护手机免受温度升高的影响。硅基氮化镓功率IC公司Innoscience推出了双氮化镓系列双向氮化镓HEMT器件，这些器件体积小，便于快速充电，而不会出现危险的温度升高。由于创新增益的低RDS（on）、没有寄生二极管，以及创新科技BiGaN技术的双向特性，一个BiGaN HEMT可用于在共源配置中取代背对背连接的NMOS MOSFET，以实现电池充放电电流的双向切换。因此导通电阻可以降低 50%，芯片尺寸降低 70%，温升降低 40%。

(4)膜分离器从锂电池中回收锂
9月6日
东丽工业开发了一种纳滤膜，可以从用过的汽车锂离子电池中回收锂。预计未来将生产大量汽车锂离子电池。东丽表示它开始使用实际的锂离子电池评估其回收率，并将加速研究和技术开发，以将其方法商业化。东丽创造了一种交联聚合物膜，结合了高度耐酸的特性和小于 1nm 的精密孔隙结构。这一成功是使用有机合成，聚合物化学和纳米技术在分析酸和最佳膜孔结构以进行选择性分离后进行降解的结果。这种膜的耐酸性比传统产品高出约五倍，选择性高出50%。

(5)SiMa.ai推出16nm机器学习SOC
9月8日
SiMa.ai 提供了一个以软件为中心的机器学习（ML）SoC平台，该平台基于台积电的高能效工艺技术和最全面的设计生态系统，为嵌入式边缘提供快速，轻松的ML体验。SIMA.AI 的MLSoC现已发运给客户，可满足任何计算机视觉应用的需求，其性能功耗比同类产品低 10 倍。SiMa.ai的按钮式软件体验使用户能够在几分钟内毫不费力地扩展机器学习，适用于机器人、智能视觉、政府、自动驾驶汽车、无人机和医疗保健应用。

(6)弗劳恩霍夫IIS SDK将解码速度提高25%
9月8日
在2022年的阿姆斯特丹的 IBC上，弗劳恩霍夫集成电路研究所 IIS 的视频编码专家演示了其 JPEG XS SDK 5.0 解决方案，该解决方案可在 x86 CPU、ARM CPU 和 NVidia GPU 上实现 25% 的 4k/8k 图像解码加速。由于更简化的参数化和优化，它们能够提供必要的性能提升。弗劳恩霍夫 IIS 提供了一个 JPEG XS SDK，与之前的 JPEG XS 实现相比，它可以将 x86 CPU、ARM CPU 和 NVidia GPU 上基于软件的加密和解码性能提高约 25%。这是通过大量使用单指令多数据命令和优化数据管道进行处理的来实现的。这样的好处是在以 60 fps 的速度对 UHD 视频内容进行加码或解码时，只需要不到 4 个 CPU 处理器内核。

(7)intoPIX推出FastTicoRAW和FastTicoXS
9月8日
创新夹层压缩技术公司 intoPIX 近期在国际商业银行（IBC）上展示了其针对 ARM 芯片组（包括苹果芯片和 M1 芯片）优化的 FastTicoRAW 和FastTicoXS  （JPEG XS） 编解码器。intoPIX ARM SDK针对包括苹果，微软和三星在内的主要计算机硬件制造商使用的新处理器进行了高度优化。通过这些优化，软件应用程序现在可以在x86和基于ARM的平台上提供相同的惊人体验;无论是在 MacBook、台式电脑、服务器还是在云中运行。

02

人工智能行业动态半导体行业动态

(1)Meta提出协作语言模型PEER
9月2日
Meta的研究人员介绍了 PEER，这是一种协作语言模型，主要在维基百科编辑历史中训练。PEER 模型包括四个主要步骤：计划、编辑、解释和重复。给定输入文本，用户或 PEER 模型可以首先指定有关要应用的操作的计划。然后，通过模型使用文本注释和参考引用进行解释的编辑来实现此计划。PEER 重复此过程，直到生成所需的输出。PEER可以在迭代过程中不断提高输出质量，并在各个领域和编辑任务中实现令人印象深刻的性能。

(2)苹果开发新计算机视觉框架NeuMan
9月3日
苹果的研究人员开发了NeuMan：一种新颖的计算机视觉框架，可以从单个视频中生成神经人类辐射场。该系统可以创建独特的人类立场和新观点，同时从单个野外视频中重建人物和场景。其训练两个NerF模型，一个用于主体，一个用于场景，这两个模型都由Mask-RCNN计算的分割蒙版辅助。其使用来自多视图重建和单目深度回归的深度估计来规范场景NerF模型。此外，其建立了一个纠错网络来对抗它。

(3)麻省理工学院通过深度学习识别无法诊断的癌症
9月4日
麻省理工学院开发的一种新的深度学习方法通过仔细研究与早期细胞发育和分化相关的基因表达程序来识别无法诊断的癌症。其将模型集中在癌细胞中受损发育途径的指标上，以实现降低特征数量和捕获最相关信息之间的折衷。使用由此产生的肿瘤和胚胎细胞中发育基因表达模式之间相关性的映射创建了一个机器学习模型。该模型将肿瘤分为四类，并产生了可能有助于医生诊断和治疗这些患者的预测和其他数据。

(4)谷歌发布专利短语相似性数据集
9月4日
谷歌发布了专利短语相似性数据集，这是一个新的人类评级上下文短语到短语语义匹配数据集。数据集由48548个项目和973个唯一锚点组成，分为训练组（75%）和验证组（5%）。其采用两种技术来预生成目标短语：部分匹配和屏蔽语言模型（MLM）。其从包含特定锚点短语的专利中选择短语，将它们屏蔽掉，然后使用 Patent-BERT 模型来预测已屏蔽文本的候选项。专利语料库可用于开发更具挑战性的机器学习基准。

(5)UC Berkeley介绍从草图生成逼真图像的无监督方法
9月5日
UC Berkeley（加州大学伯克利分校）的研究人员介绍了一种无监督的AI方法，用于从场景草图合成逼真的照片。其提出了一个标准化模块，可以将随机图像转换为标准化的边缘地图，从而允许在训练期间使用许多真实的照片。该系统允许通过改变场景图来更受控地修改照片合成。其为场景草图到图片的合成提出了独特的设计，例如共享内容表示，用于从图像到图纸的知识转移，以及使用草图—参考—照片三元组进行模型微调以提高性能。

(6)英伟达创建两个大规模隐式数据集
9月5日
英伟达的研究人员创建了两个大规模的隐式数据集，即PeRFception-CO3D和PeRFception-ScanNet，它们涵盖了以对象为中心和以场景为中心的环境。其提出了第一个适用于下游感知任务的大规模隐式数据集，如2D图像分类，3D对象分类和3D场景语义分割；并有意识地使用隐式表示的视觉感知测试进行首次深入研究。此外，其提供了一个即用型管道，该管道使用完全自动化的过程来生成隐式数据集。

(7)DeepMind推出前链选择推理模型
9月6日
DeepMind研究团队提出了一种前链选择推理模型，可以执行忠实推理并提供有效的推理跟踪，以提高推理质量，并帮助用户检查和验证最终答案。其开发了选择推理（SI）作为其系统的支柱，这是一种新颖的架构，包括两个微调的语言模型：一个用于选择，一个用于推理。逐步向前推理主干将每个推理步骤分为两个：给定一个问题，选择模型首先从上下文中选择一组语句；推理模型然后从选择中计算一个语句以预测推论。

(8)Meta推出解码脑记录的自然语音处理
9月7日
Meta的研究人员提出了一种单一的端到端架构，用于解码来自非侵入性脑磁图（MEG）或脑电图（EEG）脑记录的自然语音处理，该记录可以使用安全且可能可穿戴的设置实时检测宏观脑信号。该模型提取语音信号的深度上下文表示，并利用对比学习从53种语言的56000小时语音预训练模块中预测音频波形的表示。这项工作极大地推动了脑机接口的研究进展，实现令人印象深刻的零镜头语音声音解码性能。

(9)微软提出卷积视觉Transformer模型
9月7日
微软的研究人员将卷积引入视觉Transformer中，以提高性能和鲁棒性，同时保持原始ViT结构的计算效率。卷积被引入到 ViT 的两个核心部分。首先，其将Transformer划分为多个阶段，形成分层结构。其次，将每个自我注意块之前的线性投影替换为所提出的卷积投影，该投影在2D重塑的令牌图上使用深度可分离卷积运算。所提出的CvT结构包含了CNN的所有优点，可以实现最先进的性能。

半导体全球融资并购交易

(1)[收购] Allegro收购Heyday
9月5日
Heyday是一家私营公司，专门从事紧凑型，完全集成的隔离式栅极驱动器，可在高压氮化镓（GaN）和碳化硅（SiC）宽带隙（WBG）半导体设计中实现能量转换。此次收购将 Heyday 的隔离式栅极驱动器和 Allegro 的隔离式电流传感器技术结合在一起，使目前市场上一些最小的高压和高效率电源系统成为可能。此外，此次收购预计将增加 Allegro 在电动汽车 （xEV）、太阳能逆变器、数据中心和 5G 电源以及广阔市场工业应用方面的潜在市场。

(2)[融资] Morse Micro B轮融资1.4亿美元
9月7日
来自澳大利亚悉尼的Morse Micro是HaLow Wifi专家，该公司表示近期B轮融资了1.4亿美元。本轮融资由总部位于日本的ASIC和SoC服务公司MegaChips公司牵头，Blackbird Ventures, Main Sequence Ventures, Clean Energy Finance Corporation, Skip Capital, Uniseed, SpringCapital, Malcolm and Lucy Turnbull 等跟投。

(3)[融资] Scintil 融资1900万欧元
9月8日
Scintil Photonics是一家具有单片集成激光器和光学放大器的硅光子IC供应商，已完成第二轮投资，使其总资金达到1900万欧元。新的投资者包括应用风险投资ITIC创新基金和L.P.（由应用风险投资有限责任公司和ITIC-台湾工业技术投资公司共同创建的基金）。罗伯特·博世风险投资（RBVC）于2022年6月领导了第一轮融资，Innovacom和Supernova Invest以及Bpifrance通过其数字风险投资基金跟投了此轮。

(4)[融资] CIL 融资900万英镑
9月9日
CIL（定制互连有限公司）宣布，它正在英国建立一个先进的半导体封装，功率器件和批量印刷电路板（PCB）组件（PCBA）制造工厂。在900万英镑）资本投资的支持下，46000平方英尺是其现有34000平方英尺的补充，使CIL在英国安多弗超过80000平方英尺。在ISO 7级（10000级）洁净室和相关办公室的第一阶段（6个月）装修六个月后，CIL的所有微电子生产和功率设备开发将于2023年3月搬迁到新设施。

END
往期周刊
■ 千芯周刊（2022.08.29-09.04）
■ 千芯周刊（2022.08.22-08.28）
技术分析
■ 陈巍谈芯：从2022新公开的特斯拉机器人Dojo芯片架构信息到存算一体
■ 陈巍谈芯：蛋白质求解网络AlphaFold2
■ 陈巍谈芯：RRAM模拟存内计算
■ 陈巍谈芯：目标检测网络SSD
■ 阿里达摩院最新存算芯片技术解读
■ Nature三星存内计算芯片深度分析
千芯动态
■ 陈巍博士大会受邀做技术报告
■ 阿里赛道明星——千芯科技
■ 阿里《看见新力量》专访千芯CBO
■ 2020科创中国TOP10大奖
■ 全国“创业之芯”总决赛二等奖第一名

公众号 | 千芯科技 知乎号 | 千芯科技

千芯科技致力于提供最先进的存算一体芯片与计算产品，在2019年率先提出可重构存算一体技术。千芯科技大算力的计算板卡和计算IP核，可为客户提供灵活易用的计算加速及一站式解决方案。 通过千芯科技自有存算一体技术，基于SRAM/ RRAM/ MARM存储单元，可提供能效比达到10-100TOPS/W，优于GPU 10-40倍的算力支持。公司核心技术团队来自AMD、瑞萨半导体、联发科、长江存储等国际先进企业，在存储计算及AI计算加速领域具备深厚技术积累。 更多详情访问：http://www.tensorchip.com

-----------------------------