2017年的國際固態半導體電路大會落下帷幕已經半個多月，半導體業的同仁們又回到了工作狀態。我們不妨回過頭來好好檢視今年ISSCC上的議程和論文，看看2017年半導體電路行業哪些方向正在變得熱門。
用于人工智能的深度學習芯片
今年ISSCC的主題是“Intelligent Chips for A Smart World”，“人工智能”這個關鍵詞幾乎呼之欲出。2012年后，人工智能以Alexnet誕生為標志迎來了高速發展期。隨著去年AlphaGO戰勝李世石，人們對這輪人工智能大潮的期待又上了一個臺階。
這一代人工智能的主要技術是深度神經網絡（DNN）。具體地，目前深度學習應用最火的領域是在計算機視覺領域，而該領域由于應用的特性（圖片中特征的本地性），最適合的網絡結構是深度卷積神經網絡（DCNN）。最初，人工智能應用都是運行在CPU上，目標是評估深度學習模型的性能（預測/分類準確度等），運行速度并不是最關鍵的指標。然而，隨著深度學習逐漸實用化，具體的硬件部署和運行效率變得越來越重要，畢竟如果一次人臉識別需要1分鐘才能完成那么用戶體驗太差了。這時候，大家發現CPU已經不夠用了，原因是CPU中太多的芯片面積用在了復雜的控制邏輯上，用于計算的單元其實并不多，而DCNN需要的是大量并行運算，其控制流并不復雜。因此CPU并不適合DCNN應用。AlexNet的部署中用到了GPU，可以說是深度學習硬件上的第一次革命。相比CPU，GPU中的控制流較簡單，大部分芯片面積都用做運算，因此非常適合深度學習應用。而且，GPU使用SIMT（單指令流多線程）的架構，能夠將內存訪問延遲帶來的影響降低到最小，從而實現高性能計算。
然而，GPU雖然能夠減小內存訪問延遲的影響，卻不能減小內存訪問次數。GPU每次訪問內存都伴隨著能量消耗，因此一旦內存訪問次數多了，能量消耗就很大，這就使得GPU無法使用在對能量消耗約束較多的場合。為了能夠普及人工智能，專用的ASIC勢在必行。也正因為ASIC需要優化能量，所以機器學習ASIC的主要指標是能量效率OPS／W=OP／J，即單位能量可以實現的操作數。
機器學習ASIC在ISSCC上其實很早就有相關論文，例如來自韓國KAIST的Yoo組在近五年來一直在發表相關論文，但是之前機器學習往往是作為視覺SoC的一個特性，而不是最大的賣點，發表的論文也是以視覺SoC的名義。直到2016年，來自MIT的陳喻新在ISSCC發表了Eyeriss，深度學習加速器的概念一炮而紅，天下群雄響應。Eyeriss明確提出了傳統GPU方案的問題在于數據流中的內存訪問太浪費能量并且會成為性能瓶頸，而DCNN算法中許多數據是可以復用的，因此優化數據訪問是深度學習加速器的重要優化方向。Eyeriss的能量效率可達200GOPS／W左右，相對于GPU是巨大的進步。
Eyeriss架構圖
在去年，Eyeriss發表的session名叫Next-Generation Processors，而在Eyeriss名震江湖后，無數人做了follow up，于是今年這個session干脆改名成了Deep-Learning Processors，因為大家都在做深度學習加速。今年論文的主要賣點仍然是數據流優化，除此之外還有計算精度優化。今年論文能量效率已經從去年Eyeriss的200GOPS／W進化到了2.9TOPS／W（STMicroelectronics），8.1TOPS／W（KAIST）甚至10TOPS／W（KU Leuven），照這么玩下去恐怕能量效率很快就會到瓶頸，接下來要做的優化就是要做差異化了。
同頻全雙工收發機
隨著無線通訊技術的發展，各種應用對于帶寬需求越來越高，頻譜資源也顯得越來越捉襟見肘。如何提高頻譜資源的利用率？之前的FDM（頻分復用）通訊協議往往需要給上行鏈路和下行鏈路分配不同的頻段，那么有沒有可能使用同一個頻段同時做上行鏈路和下行鏈路，即全雙工？如果使用全雙工同頻收發機，那么頻譜資源利用率一下就翻倍了！
如果要做全雙工的話，主要問題就是如何解決發射機（TX）和接收機（RX）互相干擾。TX的射頻信號能量可以比RX接收到的能量高5-6個數量級，因此如果同時同頻傳輸的話TX對RX的干擾問題不解決好RX這邊一定就沒法工作了。這個問題其實已經有不少人研究了很久，之前也有不同切入點的解決方案，例如UCLA Ethan Wang組的秦逝寒就利用時變傳輸線實現能很好地隔離TX／RX的全雙工。另外的一條路則是利用較傳統的射頻系統（包括基于CMOS的射頻電路以及標準的射頻前端元件例如雙工器）來實現全雙工，這種方案往往使用電路系統，在RX鏈路合適的位置加入一個和TX干擾信號完全相反的信號來抵消TX的干擾。這條路主要先驅者是哥倫比亞大學的Prof. Harish Krishnaswamy。2014年ISSCC，Prof. Harish Krishnaswamy組的Jin Zhou發表了他們組第一篇使用干擾抵消技術的論文，引發了半導體行業極大的興趣，來自學術界和工業界的同行們基于這篇論文做了許多后續工作，而Krishnaswamy組自己也繼續做了不少改進。而也正是Krishnaswamy組這幾年在ISSCC連續發表關于全雙工TRX的高質量論文今年的ISSCC才會有這樣的一個session，而發表第一篇論文的Jin Zhou也憑借著漂亮的工作順利拿到了UIUC的教職。
今年該Session的三篇論文，分別來自于華盛頓大學（西雅圖）的Tong Zhang，哥倫比亞大學Krishnaswamy組的Negar Reiskarimian和臺灣清華大學的Yu-Hsien Kao。兩篇是工作在傳統2GHz以下頻段的射頻收發機，另一篇則是10GHz X-band的FMCW雷達。
毫米波／THz為主流接受
毫米波／太赫茲電路在前幾年的ISSCC都有單獨的session，但是今年卻不再有單獨的session。但是，并不是因為毫米波／THz電路不再受到青睞，而是這些電路被歸到了TX and RX Building Blocks的session中（Session 17）。可見，原本這些電路因為工作頻率較高而不被認為是常規電路需要單獨的session，而在經過多年的努力并被主流半導體電路社區接受后，毫米波／THz電路今年進入了一個常規的session。
來自日本的廣島大學的論文展示了載波在300GHz，數據率高達105Gb／s的CMOS發射機，令人印象深刻。
GaN Driver電路
GaN是最近很火的器件，因為其卓越的性能得到了越來越多的應用，例如在高壓電源管理，功率放大器等等。這次在ISSCC 2017，有了一個關于GaN的新session，即Session 25： GaN Drivers and Galvanic Isolators。
ISSCC今年新加的這個session說明了GaN正在獲得越來越多的認可。有趣的是，該session中，GaN主要還是用在電源管理，尤其是設計高電壓的電源電壓轉換電路。GaN由于很高的擊穿電壓以及較小的寄生效應，在高電壓應用時可以做到損耗較小，目前已經有許多大廠（例如TI等）推出了相關產品。GaN在電源產品中將會得到更大程度的普及。而目前看來TI也是GaN領域的領先者，該session四篇論文中的三篇來自于TI。