1、课题来源与背景
（1）课题来源：本课题资金来源于广东省科技计划项目专项资金及企业自筹资金。
（2）课题背景；近年来AI处理器作为人工智能算法实现的硬件基础，已成为全球人工智能技术竞争的战略制高点。我国在传统处理器设计领域一直处于追赶地位，与世界先进水平相差较大。然而，人工智能领域的应用仍处于面向行业应用的阶段，其生态尚未形成垄断；因此，国产AI处理器技术发展仍有世界领先的可能。随着人工智能技术在军、民等多个领域应用需求的增长，坚持自主创新、研发拥有自主知识产权的AI处理器已成为我国人工智能技术发展的当务之急。
2、技术原理及性能指标
（1）技术原理：面向AI处理器发展需求，本课题针对“面向AI处理器设计的深度学习算法网络架构优化技术”、“基于增强学习的AI 处理器定制设计”和“基于软硬件协同设计的智能AI处理器云评测平台”等研究内容，突破“基于禁忌搜索的轻量化神经架构搜索技术”、“基于分布式增强学习的轻量化神经网络架构搜索技术”、“基于增强机器学习的AI 处理器架构优化技术”、“基于增强机器学习的EDA芯片布局优化技术”、“云评测平台的软硬件协同设计”、“处理器性能评估模型”等关键技术。
（2）性能指标：①课题研制了AI专用处理器系列芯片A523、A527、MR527实现指标：运算性能可达单芯片2T以上；包含USB接口，并可以实现级联；实现基于机器学习算法的处理器自动化定制设计，同等功耗下性能提升30%以上。
②课题搭建了处理器智能云评测平台实现指标：支持主流人工智能算法及10 款以上处理器；实现深度学习算法评估计算速度和实测计算速度差距小于10%。
3、技术的创造性与先进性
（1）面向AI处理器设计的深度学习算法网络架构优化技术：①利用轻量化DNN元素特征为先验，结合处理器资源、模型大小与推理延迟构建搜索空间。通过动态收缩因子自适应调整搜索空间，采用禁忌搜索法避免局部最优，提升效率。引入藐视准则，允许高潜力架构突破禁忌限制深入探索，确保搜索多样性与捕捉全局最优解。②提出分布式增强学习神经架构搜索，优化轻量网络搜索的RL要素与协作机制。构建模块化搜索空间，将设计视为序列决策，用RNN迭代获网络参数。构建世界模型，根据参数映射奖励，与策略网络共创虚拟参数与奖励，显著提升训练与搜索效率。
（2）基于增强学习方法的AI处理器定制设计：①通过增强机器学习方法对AI处理器架构设计空间进行探索，提出基于图神经网络的软硬件划分模型，设计一种新型的多维嵌套Winograd算法，缓解Winograd算法对大尺寸卷积核兼容性问题，大幅降低计算复杂度；将该算法和稀疏性卷积神经网络相结合，实现对多维度卷积神经网络的高效处理。提出基于前缀和改进的二进制编解码方式，大幅简化并利用权重稀疏度和激活稀疏度的控制复杂度，提出硬件资源调度策略，解决稀疏性带来的负载不均衡等问题，减少计算单元内部负载不均带来的性能损失。②针对超大规模集成电路物理设计流程中布局问题，采用强化学习的环境-智能体框架，构建一种适用于固定边界框的宏单元布局方法；通过突破环境建模、智能体的神经网络模型、训练数据集、标准单元布局和总体布线等技术，将线长、单元密度、布线拥塞度的线性组合作为优化目标，有效解决了AI处理器中宏单元的布局问题。

（3）基于软硬件协同设计的智能AI处理器云评测平台：①AI处理器云评测平台由软件和硬件组成，快速计算要求由硬件确保，软件则对整个平台进行灵活配置以适应不同的神经网络算法。AI云评测平台集成了主流的人工智能算法和模型，便于部署在AI处理器。②由于AI芯片实际算力与理论算力存在较大差别，课题提出了一种实际算力的计算方法，利用芯片的历史测试数据和AI模型理论计算量拟合实际算力，实现提出的实际算力计算结果与真实算力计算结果误差低于10%，能为终端厂商对AI芯片选型提供有效参考。
4、技术的成熟程度，适用范围和安全性
（1）技术成熟度：8级。
（2）适用范围和安全性：课题科技成果已转化为SoC系列芯片，适用于智能家居、智能机器人、智能工业等智能终端产品；课题开发基于软硬件协同设计的智能AI处理器云评测平台适用于行业常用的AI处理器芯片评测。课题核心成果均为课题团队联合研发并拥有自主知识产权，安全可靠，已通过第三方测试机构性能等方面测试。
5、应用情况及存在的问题
（1）应用情况：本课题实现关键技术突破，并研制系列芯片A523、A527、MR527在石头科技、追觅、台电等品牌客户的安卓笔记本电脑、云笔电、智能平板电脑、扫地机器人等多个产品领域落地应用。课题开发的基于软硬件协同设计的智能AI处理器云评测平台，已对课题研制的AI处理器芯片和行业常用的AI处理器芯片进行了评测。
（2）存在问题：暂无。
6、历年获奖情况
（1）2023年A527芯片被认定为“珠海市创新产品”。
（2）2024年A523芯片被认定为“广东省名优高新技术产品”。