教师主页移动版

潘彪 ( 副教授 ) 赞383 的个人主页 http://shi.buaa.edu.cn/panbiao/zh_CN/index.htm   副教授   博士生导师   硕士生导师 主要任职：副教授 教师英文名称：Bill 教师拼音名称：panbiao 电子邮箱：panbiao@buaa.edu.cn 所在单位：集成电路科学与工程学院 学历：博士研究生 办公地点：第一馆223 性别：男 联系方式：panbiao@buaa.edu.cn 学位：博士 在职信息：在职 毕业院校：华中科技大学 个人简介 招生信息：各位准研究生，你们好！欢迎访问我的个人主页，我的主要研究方向为数字集成电路设计，更具体的来说是面向AI应用的数字集成电路设计，下面分为存算一体和类脑计算两个子方向。围绕这两个研究方向，近3年我所带领的翼动芯生课题组共完成了4款数字芯片的流片工作，具体的情况可以移步至我们课题组的官方网站 翼动芯生 (ydxs.xyz) 进行查看。因此，如果你对于数字集成电路感兴趣、对于流片感兴趣、对于AI芯片设计感兴趣、对于了解未来人工智能产业感兴趣，欢迎你加入我们翼动芯生课题组，我们是一个开放、包容、积极向上的大家庭！为了便于你更好的了解课题组的相关情况，我们也绘制了这两个方向相关的知识图谱，同样可以在官网上能够查到。联系方式：ydxs618@163.com 我们现在有两个研究方向，一个是基于存算一体架构的芯片设计。所谓存算一体，指的是在存储器内部完成计算，这个是区别于传统的冯诺依曼架构的存算分离的架构的。之所以要采用这种架构，是因为随着数据量的增加，计算任务的复杂性和计算量也在同步增加，因此数据在存储单元和计算单元之间搬运的功耗和时间开销已经越来越不能忽视。为了降低这两种开销，需要将存储单元尽可能地靠近计算单元，而极限就是二者合为一体，即在存储单元内部完成计算。 第二个研究方向是基于脉冲神经网络的类脑计算芯片设计。所谓类脑计算，其实就是仿照人脑神经系统的组成进行芯片电路的设计，而脉冲神经网络是目前类脑计算最主流的网络类型，被称为深度学习之后的第三代神经网络。之所以会选择这两个研究方向是因为它们分别是从脑科学和计算机科学的角度出发去构建人工智能芯片。实际上二者确实存在一些内在的联系，从神经科学的角度来说，在人脑中信息是以脉冲的形式进行传递的，同时也是存算一体的。因此，我们试图分别从这两个方向去构建人工智能芯片。这两个研究方向也被国家科技创新2030列为了重点研究的方向，已经上升到了国家的战略层面。 1.基本信息 姓名：潘彪 性别：男 毕业院校：华中科技大学 学位：工学博士学位 所在单位：集成电路科学与工程学院 主要职务：副教授（教研岗） 学科：电子科学与技术 办公地点：第一馆二楼223 电子邮箱：panbiao@buaa.edu.cn 2.教学相关 学生培养方面，已协同指导3名博士/硕士研究生获国家奖学金，3名本科生获中国国际大学生创新大赛（2023）全国金奖、第九届“互联网+”中国国际大学生创新创业大赛北京市一等奖、北航“冯如杯”竞赛冠军等荣誉。学术兼职方面，受邀成为Applied Science客座编辑，受邀成为ICCS等国际会议的组委会成员。申请人入选北航卓越百人博士后（2017）；北航青年拔尖人才支持计划（2022）、2022国家科学技术学术著作出版基金（国家级，排名第2）等。 3.科研成果 借鉴人脑工作原理的神经形态计算实现存储与计算融合，有望打破冯诺依曼架构瓶颈，极大提高计算并行度与能效，突破人工智能算力与功耗瓶颈。脉冲神经网络（SNN）是实现神经形态计算的关键，但基于传统半导体器件的芯片面临面积、功耗与性能诸多问题，离人脑还有巨大差距。近年来，新兴自旋电子器件得到业界的广泛关注，尤其是斯格明子器件因其具有与生物离子相近的纳米尺寸和输运特性，成为新型神经形态计算器件的研究热点。基于此，从基础应用和科学前沿两方面分别开展研究： （1）科学前沿-基于磁性斯格明子的类脑计算研究：为了模拟人脑神经信息的表示和处理机制，基于脉冲神经网络的神经形态计算应运而生，并且成为类脑计算的一个重要研究领域。但是，受限于传统器件物理偏差大、工作电流高及存储密度低等实际问题，神经形态计算尚处于开放性研究阶段。斯格明子有望成为脉冲神经网络的基础元件，用来构造神经形态电路。但是，受限于器件制备及斯格明子检测等原因，基于磁斯格明子的类脑计算技术尚处于起步阶段，基于斯格明子的脉冲神经元的结构设计尚未突破，基于斯格明子的脑机接口研究尚未实现。这部分研究得到了国家自然科学基金青年项目的支持。 （2）基础应用-基于自旋电子器件的存算一体电路研究：针对当前基于自旋电子器件的存算一体技术中所存在的器件集成度低、尚未构建完备的逻辑计算功能集、无相关电路与计算架构支持等问题，为突破冯诺依曼计算架构瓶颈，开展基于自旋电子器件的存算一体电路研究。该研究顺应国家集成电路发展战略，从器件制备、电路设计、计算架构三个层面共同构建一个高效的自旋存算一体技术方案，具有重要的科研价值和广阔的应用前景。这部分工作得到了国家自然科学基金面上项目和北京市自然科学基金面上项目的支持。 基于上述研究工作，近5年共发表专著1部，高水平论文26篇，其中以第一/通讯作者身份发表论文15篇；国际邀请报告4个；申请发明专利29项，授权21项；论文它引1300余次。论文发表于国际知名顶级期刊与会议，如Nature Electronics、Advanced Science、IEEE TCAS-I等，引文作者包括多位IEEE Fellow在内的国内外领域知名学者。基金项目方面，主持纵向国家科研基金项目4项，包括国家重点研发计划子课题、国家自然科学基金-青年基金、北航青年拔尖人才计划、中国博士后基金-面上基金。同时参与国家自然科学基金-面上基金、北京市重大科技专项等项目。流片工作方面，累计完成4次流片。 代表论文如下所示： [1]A Survey of MRAM-Centric Computing: From Near Memory to In Memory.TETC(2022) [2]A Mini Tutorial of Processing in Memory: From Principles, Devices to Prototypes.TCAS-II(2022) [3]Magnetic Skyrmion-Based Spiking Neural Network for Pattern Recognition. Applied Sciences (2022) [4]HSC: A Hybrid Spin/CMOS Logic Based In-Memory Engine with Area-Efficient Mapping Strategy.ISCAS(2021) [5]All-Digital Computing-in-Memory Macro Supporting FP64-Based Fused Multiply-Add Operation.Applied Sciences (2023) [6]MDCIM: MRAM-Based Digital Computing-in-Memory Macro for Floating-Point Computation with High Energy Efficiency and Low Area Overhead.Applied Sciences(2023) [7]An End-to-End In Memory Computing System Based On A 40nm eFlash-Based IMC SoC: Circuits, Toolchains, and Systems Co-Design Framework.TCAD(2023) [8]RDCIM: RISC-V Supported Full-Digital Computing-in-Memory Processor with High Power Efficiency and Low Area Overhead.TCAS-I(2024) [9]Skyrmion-Induced Memristive Magnetic Tunnel Junction for Ternary Neural Network.J. Electron Devices Soc(2019) [10]Novel Nonvolatile Lookup Table Design Based on Voltage-Controlled Spin Orbit Torque Memory.TED(2022) [11]Spin‐Torque Memristors Based on Perpendicular Magnetic Tunnel Junctions for Neuromorphic Computing(2021) [12]DS-CIM: A 40nm Asynchronous Dual-Spike Driven, MRAM Compute-In-Memory Macro for Spiking Neural Network.Advanced Science(2024) [13]Channel modeling of wireless 3D-chip based on ray-tracing.Microelectronics Journal(2022) [14]Magnetic Skyrmion-Based Neural Recording System Design for Brain Machine Interface.ISCAS(2019) [15]SR-WTA: Skyrmion Racing Winner-Takes-All Module for Spiking Neural Computing.ISCAS(2019) 授权专利如下所示： [1]类脑计算芯片和数据处理终端，中国，专利号：CN202211202953.7. [2]基于斯格明子的随机数据流计算系统和计算控制方法，中国，专利号：CN202010200108.0. [3]神经网络模型自动适配方法和装置，中国，专利号：CN202110399619.4. [4]通用型AI并行推理加速结构以及推理设备，中国，专利号：CN202110399639.1. [5]基于斯格明子的人工突触器件，中国，专利号：CN202010631131.5. [6]非易失性存内计算芯片及其运算控制方法，中国，专利号：CN201910713399.0. [7]一种基于自旋磁存储器的数据运算方法，中国，专利号：CN201910081772.5. [8]自旋存算一体芯片，中国，专利号：CN201811635918.8. [9]一种螺芴类衍生物及有机电致发光器件，中国，专利号：CN201710117468.2. [10]一种有机发光器件及其制备方法，中国，专利号：CN201710155875.2. [11]一种RGB转RGBW的色域转换方法及装置，中国，专利号：CN201610878403.5. [12]Pixel rendering method and pixel rendering device，美国，专利号：US201715547049. [13]Liquid crystal display device and color filter substrate of the same，美国，专利号：US201615328445. [14]一种RGB转RGBW的转换方法，中国，专利号：CN201611153750.8. [15]Circular polarizer, liquid crystal display and electronic device，美国，专利号：US201615322505. [16]RGBW pixel rendering device and method，美国，专利号：US201615328898. [17]Flexible display device and method of manufacturing the same，美国，专利号：US201715564363. [18]一种像素渲染方法及像素渲染装置，中国，专利号：CN201710174798.5. [19]一种RGBW像素渲染装置及方法，中国，专利号：CN201611229628.4. [20]液晶显示装置及其彩膜基板，中国，专利号：CN201611228299.1. [21]Color filter substrate and display device，美国，专利号：US201615122419. 表1 翼动芯生课题组近三年完成的代表性流片工作 芯片名称 华山 恒山 嵩山 衡山 流片时间 2021 2022 2022 2023 芯片架构 模拟存算一体 模拟存算一体 模拟存算一体 数字存算一体 工艺节点 180nm 180nm 55nm 55nm 存储器件 STT-MRAM SOT-MRAM SRAM SRAM 关键指标 1.8TOPS/W 5mW 44TOPS/W 12TOPS/W 4.科研项目 [1] 主持科技部重点研发项目子课题一项（在研）； [2] 主持国家自然科学基金——青年科学基金项目1项（已结题）； [3] 主持博士后基金——面上基金1项（已结题）； [4] 主持北航合肥研究院项目1项（已结题）； [5] 参与国家自科学基金——面上项目1项（已结题）。 5.教育背景 [1] 2010年9月-2015年7月，华中科技大学，博士； [2] 2006年9月-2010年7月，华中科技大学，学士。 6.工作经历 [1] 2015年7月至2017年8月，武汉华星光电技术有限公司，主任工程师； [2] 2017年9月至2020年9月，北京航空航天大学，集成电路科学与工程学院，卓百博士后； [3] 2020年10月-2023年6月，北京航空航天大学，集成电路科学与工程学院，助理教授； [4] 2023年6月-至今，北京航空航天大学，集成电路科学与工程学院，副教授。