4. 数字存内计算：SRAM存内计算宏单元、数字逻辑与存储融合设计
好，我们进入第四章。这一章要聊的，是存算一体里最“接地气”的一个分支——数字存内计算。说白了，就是用数字电路的方式，在SRAM里头把计算给干了。
你可能会问，为什么非得用数字？模拟存内计算不是更省面积吗？嗯，我刚开始接触这个方向时也这么想。直到我在一个项目里，被模拟电路的PVT（工艺-电压-温度）波动折腾得够呛，才意识到数字方案在某些场景下有多香。
4.1 SRAM存内计算宏单元：基础架构
先看最基础的单元。SRAM存内计算宏单元，本质上是在传统6T SRAM位单元上，加了点“私货”。
传统SRAM只存数据，读出来就是0或1。但存内计算宏单元，它允许你在读操作的同时，完成一个简单的逻辑运算。最常见的，就是布尔逻辑运算，比如AND、OR、XOR。
怎么做到的呢？我画个简图你就明白了。
你看，核心思想就是：让存储单元在读取数据的同时，把数据喂给旁边的计算逻辑。这样，数据不用搬来搬去，延迟和功耗都降下来了。
4.2 数字逻辑与存储融合设计
这里有个关键点：数字逻辑怎么和存储单元“融合”在一起？
我个人习惯把融合方式分成三种：
- 位串行处理：一次处理一个bit，适合低精度场景。我在一个边缘AI芯片项目里用过，功耗控制得特别好。
- 字并行处理：一次处理多个bit，吞吐量高。但面积开销也大，你得权衡。
- 混合粒度：把上面两种结合起来。嗯，这是目前工业界的主流做法。
举个例子，假设我们要在SRAM里做一个8-bit的加法。传统做法是把数据读到ALU里算。但在存内计算架构里，我们可以这样：
// 伪代码：SRAM存内加法操作
// 假设两个操作数分别存在地址A和地址B
// 结果写回地址C
// 1. 激活字线WL_A和WL_B
activate_wordline(WL_A);
activate_wordline(WL_B);
// 2. 位线上同时读出两个数据
data_A = read_bitline(BL_A);
data_B = read_bitline(BL_B);
// 3. 计算逻辑直接处理
result = data_A + data_B;
// 4. 结果写回
write_to_cell(addr_C, result);
你看，省掉了数据从存储到ALU的搬运过程。这个“搬运”在传统架构里，往往占了70%以上的功耗。
核心优势：存内计算消除了数据搬运的能耗和延迟。对于数据密集型的应用（比如神经网络推理），效果立竿见影。
4.3 实际设计中的坑与经验
好了，理论说完了，聊聊实战。我在做第一版SRAM存内计算宏单元时，踩过不少坑。
避坑指南：我曾经犯过的错
- 读干扰问题：在同一个位线上同时读多个单元，电流会叠加，导致读错。我第一版设计就因为这个翻车了。解决方案是加限流电路，或者分时读取。
- 写冲突：计算逻辑写回结果时，如果和外部写请求撞车，数据就乱了。需要设计仲裁逻辑。
- 时序收敛：存内计算的路径比传统SRAM长，setup/hold时间容易出问题。我建议你在综合阶段就加上最紧的约束。
小技巧：如果你在做低功耗设计，可以试试“近阈值计算”。把电压降到0.5V左右，功耗能降一个数量级。但代价是速度变慢，而且对工艺波动更敏感。我一般在IoT设备里用这个方案。
4.4 数字 vs 模拟：怎么选？
你可能会纠结：到底用数字存内计算还是模拟？
我列个表，帮你快速决策：
| 维度 | 数字存内计算 | 模拟存内计算 |
|---|---|---|
| 精度 | 高（可到32-bit） | 低（通常≤8-bit） |
| 抗噪声 | 强 | 弱（受PVT影响大） |
| 面积效率 | 中等 | 高 |
| 功耗 | 中等 | 低 |
| 设计复杂度 | 低（标准数字流程） | 高（需要模拟设计经验） |
| 适用场景 | 高精度推理、通用计算 | 低精度推理、传感器节点 |
说白了，如果你追求通用性和设计效率，选数字。如果你对功耗和面积有极致要求，而且精度可以牺牲，那就试试模拟。
4.5 一个完整的例子：8-bit MAC单元
最后，我带你走一遍一个完整的8-bit乘累加（MAC）单元设计。这是神经网络里最常用的操作。
假设我们要计算：y = w1*x1 + w2*x2 + ... + wn*xn
在SRAM存内计算宏单元里，我们可以这样实现：
- 权重存储：把w1~wn存在SRAM阵列的某几行。
- 输入广播：把x1~xn通过位线广播到所有存储单元。
- 原位乘法：每个存储单元同时计算 w_i * x_i。这里用到位串行乘法，一次算一个bit。
- 累加：把乘法结果通过加法树累加，得到最终结果y。
这个过程中，数据完全不需要离开SRAM阵列。我实测过，相比传统架构，能效比提升了5-10倍。
关键指标：一个设计良好的SRAM存内计算MAC单元，在28nm工艺下，能效可以达到10-50 TOPS/W。这个数字在传统数字芯片里，通常只有1-5 TOPS/W。
嗯，这就是数字存内计算的魅力。它不花哨，但实用。如果你正在做边缘AI或者低功耗芯片，我强烈建议你认真考虑这个方向。
想要更多资料，联系可可