计算单元设计基础：MAC阵列架构、乘加器微架构、数据流优化策略
好，咱们今天聊聊计算单元。这是深度学习加速器的心脏，说白了就是干活的“苦力”。你想想看，一个卷积层里几百万次乘加操作，全靠这玩意儿扛。我这些年做过的芯片里，计算单元的设计好坏，直接决定了芯片能效和性能的天花板。
MAC阵列架构：从单兵作战到集团冲锋
单个乘加器（MAC）就像一个小兵，能干但效率低。真正要跑大模型，得把成千上万个MAC组织起来，形成阵列。这就是MAC阵列的由来。
常见的阵列架构有几种：
- 脉动阵列（Systolic Array）：数据像血液一样在阵列里“流动”，每个MAC只跟邻居通信。优点是布局布线规整，功耗低。Google TPU就是典型代表。
- 广播阵列（Broadcast Array）：一个输入数据同时喂给所有MAC。优点是控制简单，但连线负载大，频率上不去。
- 混合架构：结合两者优点，比如行广播、列脉动。我最近一个项目就用了这种，灵活性好不少。
我个人习惯，在做架构选型时，先看数据复用率。如果权重复用多，脉动阵列是首选。如果激活值复用多，广播阵列更合适。没有银弹，只有权衡。
核心要点：MAC阵列的规模（比如16x16、32x32）决定了算力上限。但规模越大，数据搬运的代价也越大。别光盯着TOPS，要看TOPS/W。
乘加器微架构：细节决定成败
单个MAC怎么设计？这里门道可多了。最基本的乘加器就是乘法器+加法器。但深度学习里，数据位宽通常很窄（INT8、INT4），所以我们可以做很多优化。
我给大家看一个典型的INT8乘加器微架构：
// 简化的INT8乘加器RTL描述
module mac_int8 (
input clk,
input rst_n,
input [7:0] a, // 激活值
input [7:0] w, // 权重
input [31:0] psum_in, // 输入部分和
output reg [31:0] psum_out // 输出部分和
);
wire [15:0] product;
wire [31:0] sum;
// 乘法器：8bit x 8bit = 16bit
assign product = a * w;
// 加法器：16bit + 32bit = 32bit
assign sum = psum_in + product;
// 流水线寄存器
always @(posedge clk or negedge rst_n) begin
if (!rst_n)
psum_out <= 32'b0;
else
psum_out <= sum;
end
endmodule嗯，这里要注意。上面的代码只是教学用的简化版。实际项目中，乘法器会用Wallace树或Dadda树来优化面积和速度。加法器也会用进位保存加法器（CSA）来减少关键路径。
实战技巧：我曾经在一个项目里，为了省面积，把乘法器拆成了两个4bit乘法器再加起来。结果时序崩了。后来才意识到，对于高频设计，宁可多用点面积，也要保证乘法器是单周期的。面积换速度，值不值？看你目标频率。
数据流优化策略：让数据少跑路
数据流优化，说白了就是减少数据搬运。你想想看，从DRAM搬一次数据到片上SRAM，功耗是计算本身的几百倍。所以，优化的核心就是：尽量复用数据，减少访存。
常见的优化策略有：
- 权重固定（Weight Stationary）：权重加载后不动，激活值流进来。适合权重复用度高的场景，比如全连接层。
- 输出固定（Output Stationary）：部分和留在本地，不断累加。适合输出通道多的场景。
- 行固定（Row Stationary）：Eyeriss提出的经典策略，把卷积核的一行数据固定，减少数据搬运。我特别喜欢这个思路，它把数据复用做到了极致。
咱们用表格对比一下：
| 策略 | 数据复用方式 | 适用场景 | 优缺点 |
|---|---|---|---|
| 权重固定 | 权重不动，激活值流动 | 全连接层、权重复用高 | 控制简单，但激活值搬运多 |
| 输出固定 | 部分和不动，权重和激活值流动 | 输出通道多 | 减少部分和搬运，但控制复杂 |
| 行固定 | 卷积核行数据固定 | 卷积层 | 数据复用率高，但调度复杂 |
避坑指南：我曾经在一个项目里，想当然地用了权重固定策略，结果发现激活值数据量太大，片上SRAM根本存不下。后来改成行固定，配合数据压缩，才把带宽降下来。所以，选策略前，一定要先算清楚数据量。
最后，我想说一句。数据流优化没有标准答案，它跟你的芯片面积、功耗预算、目标应用强相关。我个人的习惯是，先做一轮数据流建模，把各种策略的访存次数算出来，再结合硬件资源做决策。别拍脑袋，要拍数据。
好了，这一章就到这里。记住，计算单元是加速器的“心脏”，而数据流是“血液”。心脏要强，血液要通，芯片才能跑得又快又省电。