Giới thiệu dự án

Trong kỷ nguyên bùng nổ của trí tuệ nhân tạo (AI) và học máy (Machine Learning), các kiến trúc máy tính truyền thống Von Neumann đang đối mặt với nút thắt cổ chai nghiêm trọng về băng thông và năng lượng (Von Neumann Bottleneck). Việc liên tục luân chuyển dữ liệu giữa bộ nhớ (Memory) và bộ xử lý (CPU/GPU) tiêu tốn tới 60–90% tổng năng lượng tiêu thụ của toàn hệ thống xử lý AI. Để giải quyết thách thức này, kiến trúc mô phỏng não bộ (Neuromorphic Computing) sử dụng các phần tử điện trở nhớ (Memristor) kết hợp với các khối xử lý tín hiệu phi truyền thống đang nổi lên như một hướng đi đột phá, cho phép tính toán trực tiếp trong bộ nhớ (In-Memory Computing).

Trong cấu trúc mạng nơ-ron nhân tạo (ANN) và mạng nơ-ron xung (SNN), mạch Winner-Take-All (WTA) đóng vai trò là tầng phân loại cuối cùng (tương tự hàm kích hoạt Softmax hoặc Max-pooling), chịu trách nhiệm tìm ra tín hiệu có biên độ lớn nhất trong tập hợp các tín hiệu đầu vào và ức chế hoàn toàn các tín hiệu còn lại để tạo ra đầu ra dạng One-hot Encoding.

+-----------------------------------------------------------------------------------+
|                            TỔNG QUAN HỆ THỐNG NEUROMORPHIC                        |
|                                                                                   |
|  [Đầu vào Vector] ---> [Ma trận Memristor Crossbar 64x10]                         |
|                             (Dòng ngõ ra)                                         |
|             [Mạch Winner-Take-All Miền Thời Gian (TD-WTA)]                        |
|                   [Ngõ ra phân loại One-Hot 10-bit]                               |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu cụ thể

Các cấu trúc mạch WTA truyền thống bộc lộ nhiều điểm hạn chế khi mở rộng quy mô:

  • Cấu trúc Băng tải dòng (Current Conveyor - CC): Dễ bị ảnh hưởng bởi nhiễu, suy giảm độ chính xác khi số lượng kênh đầu vào tăng và phụ thuộc nhiều vào sự biến thiên quy trình công nghệ (PVT variations).
  • Cấu trúc Cây nhị phân (Binary Tree - BT): Mặc dù chính xác nhưng diện tích silicon lớn, tiêu tốn năng lượng cao và độ trễ tăng theo hàm logarit $O(\log N)$ qua nhiều tầng so sánh nối tiếp.
  • Giới hạn chuyển đổi miền thời gian: Mạch WTA miền thời gian (Time-Domain WTA - TD-WTA) truyền thống gặp vấn đề phi tuyến tính và dễ bị bão hòa khi dòng đầu vào vượt ngưỡng biên độ cho phép.

Mục tiêu dự án

  1. Thiết kế cấu trúc TD-WTA mới: Chuyển đổi trực tiếp biên độ điện áp (VCD) và dòng điện (CCD) sang độ trễ xung thời gian trên công nghệ CMOS 130nm của Samsung.
  2. Nâng cao độ chính xác và độ nhạy: Tích hợp cấu trúc đa ô trễ (Cascaded Delay Cells) phân chia dòng theo định luật Kirchhoff, đạt độ chính xác mạch đơn lẻ trên 99%.
  3. Mở rộng khả năng xử lý song song: Thiết kế khối phát hiện Winner 10 đầu vào đồng thời dựa trên cổng logic NAND cải tiến, hoạt động ổn định ở tần số xung nhịp lên đến 62.5 MHz.
  4. Kiểm chứng hệ thống thực tế: Tích hợp mạch TD-WTA với ma trận Memristor Crossbar 64x10 để nhận dạng tập dữ liệu chữ số viết tay MNIST (kích thước $8 \times 8$).

Phạm vi và giới hạn

  • Phạm vi: Thiết kế ở mức vi mạch bán dẫn (Transistor-level schematic), mô phỏng transient và phân tích định thời trên phần mềm Cadence Virtuoso sử dụng PDK Samsung 130nm CMOS, điện áp nguồn $V_{DD} = 1.2\text{V}$.
  • Giới hạn: Nghiên cứu tập trung vào mô phỏng kiểm chứng chức năng và độ chính xác phân loại thuật toán; chưa tiến hành layout vật lý (physical tape-out) và kiểm thử chip thực tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Băng tải dòng (Current Conveyor) Cây nhị phân (Binary Tree) Mạch đề xuất (Time-Domain WTA)
Miền tín hiệu Tương tự (Analog Current/Voltage) Tương tự / Số kết hợp Miền thời gian (Time-Domain Pulse)
Độ phức tạp phần cứng $O(N)$ phần tử $O(N \log N)$ phần tử so sánh $O(N)$ mạch trễ + 1 khối chốt đa ngõ vào
Tốc độ xử lý Giảm mạnh khi $N$ tăng Bị giới hạn bởi số tầng so sánh Cực cao (xung nhịp lên đến 62.5 MHz)
Công suất tiêu thụ Cao (dòng tĩnh lớn) Rất cao (nhiều bộ so sánh) Cực thấp (tiêu thụ động theo chu kỳ xung)
Độ nhạy & Độ phân giải Kém ở độ chênh lệch nhỏ Tốt Tối ưu hóa nhờ chuỗi Delay Cell

Yêu cầu hệ thống (Mô hình MoSCoW)

  • Must have: Khối chuyển đổi dòng điện sang thời gian (CCD), khối nhận diện Winner 10 ngõ vào, hoạt động ở điện áp $1.2\text{V}$ trên tiến trình 130nm.
  • Should have: Chuỗi Delay Cell có khả năng cấu hình 1 đến 3 tầng để mở rộng độ phân giải tín hiệu đầu vào.
  • Could have: Tích hợp trực tiếp với mạng XNOR-Popcount Memristor Crossbar 64 kênh.
  • Won't have (lần này): Mạch tự động bù nhiệt độ và biến thiên quy trình on-chip.

Thiết kế hệ thống

Hệ thống gồm 3 phân khu chức năng chính:

  1. Khối chuyển đổi tín hiệu sang miền thời gian (VCD / CCD): Sử dụng mạng transistor kéo lên (Pull-up PMOS) và kéo xuống (Pull-down NMOS). Dòng điện đầu vào từ Memristor Crossbar được đưa qua một gương dòng (Current Mirror - Transistor M6 và M3) để điều khiển tốc độ xả điện áp tại nút trung gian, biến đổi biên độ dòng thành độ trễ xung kích:

$$a_i = \max_{j \in fanin(i)} {a_j} + t_{pdi}$$

  1. Khối khuếch đại độ trễ (Cascaded Delay Cells): Khắc phục hiện tượng bão hòa dòng khi dòng đầu vào lớn, áp dụng định luật dòng điện Kirchhoff ($I_{total} = \sum I_k$) để chia đều dòng vào các cổng trễ tiếp theo, kéo dài khoảng cách thời gian giữa tín hiệu thắng cuộc và các tín hiệu về nhì.
  2. Khối chốt phát hiện Winner 10 ngõ vào: Sử dụng cấu trúc NAND đa ngõ vào kết hợp mạng phản hồi chốt trạng thái. Tín hiệu xung nào chạm mức logic kích hoạt ($V_{th} \approx 0.4\text{V}$) sớm nhất sẽ ngay lập tức khóa đường truyền của 9 tín hiệu còn lại, đưa ngõ ra của kênh đó lên mức logic '1' ($1.2\text{V}$) và giữ các ngõ ra khác ở mức '0' ($0\text{V}$).
                             SƠ ĐỒ NGUYÊN LÝ KHỐI CCD VÀ Ô TRỄ
                        VDD (1.2V)
                        GND                        GND

Phương pháp nghiên cứu và công cụ sử dụng

Nghiên cứu áp dụng quy trình thiết kế vi mạch tiêu chuẩn công nghiệp:

  • Mô phỏng Schematic: Cadence Virtuoso IC6.1.8.
  • Bộ công cụ phân tích: Spectre Circuit Simulator (Transient Analysis, DC Sweep).
  • Thư viện công nghệ: Samsung 130nm CMOS Process Design Kit (PDK).
  • Tiền xử lý dữ liệu: Python 3.10 (NumPy, Scikit-learn) để số hóa và chuyển đổi ma trận điểm ảnh $8 \times 8$ sang mức điện áp logic cấp cho crossbar.

Implementation và kết quả

Quá trình triển khai kỹ thuật

Hệ thống được hiện thực qua các khối mạch chuyên biệt, kết nối trực tiếp với ma trận điện trở nhớ mô phỏng phép toán XNOR-Popcount nhị phân:

// Mo phong hanh vi logic cua khoi chot Winner-Take-All 10 ngo vao
module WTA_10_Inputs_Detector (
    input  wire [9:0] pulse_in,  // Xung den tu 10 khoi CCD
    input  wire       rst_n,     // Tin hieu reset he thong
    output reg  [9:0] winner_out // Ngo ra One-hot
);
    reg locked;
    
    always @(posedge pulse_in or negedge rst_n) begin
        if (!rst_n) begin
            winner_out <= 10'b0000000000;
            locked     <= 1'b0;
        end else if (!locked) begin
            // Kenh co xung xuat hien dau tien se chien thang
            winner_out <= pulse_in;
            locked     <= 1'b1; // Khoa toan bo cac kenh con lai
        end
    end
endmodule

Trong phần cứng thực tế, logic trên được thay thế hoàn toàn bằng mạng transistor CMOS tốc độ cao với cổng NAND 10 đầu vào nhằm triệt tiêu độ trễ chuyển mạch của cổng số tiêu chuẩn.

Kiểm thử và đánh giá hiệu năng (Testing & Validation)

Mạch được kiểm thử thông qua 2 giai đoạn: kiểm tra định thời mức cổng bán dẫn và kiểm tra độ chính xác nhận dạng mẫu trên tập dữ liệu MNIST.

1. Đáp ứng trễ của khối VCD và CCD

Khi áp đặt các mức điện áp và dòng điện đầu vào khác nhau tại tần số xung nhịp $62.5\text{ MHz}$, độ trễ chuyển đổi trạng thái tại mức ngưỡng $0.4\text{V}$ được ghi nhận chính xác:

Tín hiệu đầu vào (Input) Giá trị biên độ Thời gian trễ đo được ($t_d$) Độ chênh lệch trễ ($\Delta t$)
Điện áp (VCD) $500\text{ mV}$ $412.10\text{ ps}$
$700\text{ mV}$ $218.66\text{ ps}$ $193.44\text{ ps}$
$900\text{ mV}$ $115.32\text{ ps}$ $103.34\text{ ps}$
Dòng điện (CCD) $5\text{ }\mu\text{A}$ $385.50\text{ ps}$
$7\text{ }\mu\text{A}$ $229.80\text{ ps}$ $155.70\text{ ps}$
$9\text{ }\mu\text{A}$ $142.10\text{ ps}$ $87.70\text{ ps}$
        ĐẶC TUYẾN ĐỘ TRỄ THEO BIÊN ĐỘ TÍN HIỆU ĐẦU VÀO
   Độ trễ (ps)
      0          500mV/5uA   700mV/7uA   900mV/9uA   Biên độ ngõ vào

2. Đánh giá nhận dạng tập mẫu MNIST ($8 \times 8$)

Ảnh chữ số $28 \times 28$ được nén về $8 \times 8$ (64 điểm ảnh nhị phân $0$ và $1$), đưa vào ma trận $64 \times 10$ Memristor. Dòng điện tổng tại mỗi cột đại diện cho độ tương đồng giữa mẫu thử và 10 chữ số (từ 0 đến 9). Mạch WTA nhận diện cột có dòng lớn nhất:

Cấu hình mạch WTA Độ chính xác mạch WTA (%) Tỷ lệ nhận dạng đúng MNIST (%) Nhận xét trạng thái
Không có Delay Cell $99.30%$ $60.00%$ Tín hiệu dòng gần nhau dễ gây nhầm lẫn
Tích hợp 1 Delay Cell $99.52%$ $80.00%$ Độ nhạy tăng, phân biệt tốt các mẫu gần giống
Tích hợp 2 Delay Cells $99.75%$ $80.00%$ Độ ổn định định thời tối ưu
Tích hợp 3 Delay Cells $99.75%$ $100.00%$ Phân loại hoàn hảo toàn bộ tập mẫu thử nghiệm

Đổi mới và đóng góp

  1. Khối chuyển đổi dòng sang thời gian (CCD) tích hợp gương dòng: Khác với các thiết kế VCD truyền thống chỉ nhận điện áp, khối CCD đề xuất cho phép kết nối trực tiếp với ngõ ra của ma trận Memristor Crossbar mà không cần tầng đệm khuếch đại thuật toán (Op-Amp) hay bộ chuyển đổi $I-V$ cồng kềnh, tiết kiệm đáng kể năng lượng và diện tích chip.
  2. Cấu trúc phân tầng Delay Cell chống bão hòa: Việc bổ sung chuỗi Delay Cell giúp phân tách dòng điện theo định luật Kirchhoff, giải quyết triệt để bài toán bão hòa transistor khi dòng ngõ ra từ các cột memristor tăng cao, nâng tỷ lệ nhận dạng mẫu MNIST từ $60%$ lên $100%$.
  3. Cơ chế chốt Winner song song 10 kênh: Thay vì sử dụng cây nhị phân phức tạp với độ trễ tăng dần qua nhiều tầng logic, cấu trúc chốt trực tiếp 10 ngõ vào cho phép phân định tín hiệu thắng cuộc trong thời gian dưới $1\text{ ns}$, tương thích hoàn hảo với các hệ thống tính toán xung nhịp cao ($62.5\text{ MHz}$).

Ứng dụng thực tế và triển khai

|                       CÁC LĨNH VỰC ỨNG DỤNG TIÊU BIỂU                     |
|                                                                           |
|   [Thiết bị Edge AI & IoT]     [Hệ thống Thị giác Máy tính]               |
|   - Nhận diện giọng nói từ khóa  - Phân loại hình ảnh biên độ thấp        |
|   - Cảm biến thông minh siêu nhẹ - Xử lý camera sự kiện (Event-based DVS) |
|                                                                           |
|   [Y tế & Thiết bị Đeo]        [Xe tự hành & Robotics]                    |
|   - Phân tích tín hiệu điện tim  - Phân loại tín hiệu radar / LiDAR       |
|   - Cảnh báo bất thường thời gian - Ra quyết định điều khiển tức thời    |

Tiềm năng ứng dụng thực tế

  • Xử lý biên (Edge AI) và Cảm biến IoT: Nhờ mức tiêu thụ công suất cực thấp và khả năng hoạt động trực tiếp trong miền thời gian, mạch TD-WTA kết hợp Memristor là giải pháp lý tưởng cho các vi chip xử lý biên không dùng pin hoặc thu thập năng lượng môi trường (Energy Harvesting).
  • Mạng nơ-ron xung (Spiking Neural Networks - SNN): Khối mạch tạo ra đầu ra dạng xung trễ tự nhiên, hoàn toàn đồng nhất với cơ chế mã hóa thông tin theo thời gian xuất hiện xung (Time-to-First-Spike) của các hệ thống Neuromorphic tiên tiến.

Lộ trình triển khai khả thi

  • Giai đoạn 1 (0–6 tháng): Hoàn thiện Layout vật lý, trích xuất ký sinh (Post-layout Extraction) và kiểm tra biến thiên PVT, Monte Carlo trên Cadence Virtuoso.
  • Giai đoạn 2 (6–18 tháng): Gửi gia công chế tạo thử nghiệm (MPW Tape-out) trên dây chuyền CMOS 130nm / 65nm.
  • Giai đoạn 3 (18–24 tháng): Đóng gói vi mạch (IC Packaging), thiết kế bo mạch PCB kiểm thử và đo đạc thực nghiệm với chip Memristor rời.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ phi tuyến ở dải biên độ hẹp: Khi hai dòng điện đầu vào chênh lệch cực nhỏ ($< 0.1\text{ }\mu\text{A}$), độ trễ tạo ra giữa hai xung có thể tiệm cận giới hạn phân giải của khối chốt logic, dẫn đến nguy cơ cạnh tranh trạng thái (Race Condition).
  • Tác động của ký sinh layout: Nghiên cứu hiện tại dừng lại ở mô phỏng mức Schematic lý tưởng, chưa bao gồm điện dung và điện trở ký sinh của đường dây kim loại kết nối 10 kênh.

Hướng phát triển trong tương lai

  • Thiết kế mạch tự cân chỉnh thời gian (Auto-calibration Circuit) để triệt tiêu ảnh hưởng của lệch pha xung nhịp và trôi điểm làm việc do nhiệt độ.
  • Mở rộng cấu trúc mạch lên quy mô 100 đến 1000 đầu vào phục vụ các mạng nơ-ron tích chập (CNN) sâu trên chip Neuromorphic.
  • Nghiên cứu tích hợp nguyên khối (Monolithic 3D Integration) giữa lớp chuyển mạch Memristor RRAM và tầng CMOS bên dưới.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư thiết kế vi mạch (IC Design): Nắm vững phương pháp thiết kế mạch trộn tín hiệu (Mixed-Signal), kỹ thuật điều khiển trễ thời gian và quy trình mô phỏng trên Cadence Virtuoso.
  • Nhà nghiên cứu phần cứng AI (Neuromorphic Researchers): Tiếp cận giải pháp khả thi để thay thế các hàm kích hoạt số phức tạp bằng phần cứng tương tự - miền thời gian siêu nhỏ gọn.
  • Doanh nghiệp bán dẫn Edge AI: Có được mô hình tham chiếu kiến trúc bộ tăng tốc AI tiết kiệm năng lượng, rút ngắn thời gian nghiên cứu phát triển (R&D) cho các dòng sản phẩm chip IoT chuyên dụng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng để thiết kế và mô phỏng mạch là gì?

Cần cài đặt hệ điều hành Linux (RHEL/CentOS/Ubuntu), phần mềm chuyên dụng Cadence Virtuoso (bản IC6.1.8 trở lên), bộ công cụ mô phỏng Spectre Circuit Simulator và bộ thư viện tiến trình công nghệ (PDK) chuẩn công nghiệp (như Samsung 130nm CMOS hoặc TSMC 65nm).

2. Giới hạn mở rộng kênh đầu vào của cấu trúc mạch là bao nhiêu?

Cấu trúc đề xuất xử lý tối ưu 10 kênh đầu vào trên mỗi khối chốt. Để mở rộng lên 100 hoặc 1000 kênh, hệ thống có thể ghép tầng theo cấu trúc cây phân cấp (Hierarchical Time-Domain WTA) mà không làm tăng đột biến diện tích và công suất như cây nhị phân thuần túy.

3. Mạch có thể kết nối với các loại bộ nhớ Non-Volatile khác ngoài Memristor không?

Có. Khối CCD hoạt động dựa trên việc tiếp nhận dòng điện đầu vào, do đó mạch hoàn toàn tương thích với các công nghệ bộ nhớ trở kháng mới nổi khác như RRAM, Phase-Change Memory (PCM), MRAM hoặc mạng điện trở trọng số MOSFET truyền thống.

4. Vấn đề bão hòa dòng điện được xử lý như thế nào khi mở rộng ma trận?

Hệ thống sử dụng các tầng Delay Cell nối tiếp để phân chia dòng tổng theo định luật Kirchhoff. Khi dòng đầu vào tăng, điện áp điều khiển phân bố đều qua các cực cổng transistor của từng ô trễ, giữ transistor luôn hoạt động trong vùng bão hòa tuyến tính ổn định.

5. Tần số hoạt động $62.5\text{ MHz}$ mang lại lợi thế gì so với mạch tương tự truyền thống?

Tần số $62.5\text{ MHz}$ cho phép hoàn thành một chu kỳ phân loại mẫu trong thời gian chỉ $16\text{ ns}$, nhanh hơn từ 10 đến 100 lần so với các mạch so sánh tương tự dùng Op-Amp băng thông hẹp, đáp ứng hoàn hảo yêu cầu xử lý dữ liệu thời gian thực trong các ứng dụng thị giác và cảm biến robot.


Kết luận

Đồ án tốt nghiệp của tác giả Ngô Tiến Tú dưới sự hướng dẫn của PGS. TS. Trương Ngọc Sơn đã giải quyết thành công bài toán tối ưu hóa mạch Winner-Take-All cho kiến trúc phần cứng Neuromorphic. Bằng cách tiếp cận sáng tạo trong miền thời gian (Time-Domain) kết hợp khối Current Controlled Delay (CCD) và chuỗi Delay Cell đa tầng, nghiên cứu đã khắc phục triệt để các hạn chế về diện tích, tốc độ và công suất của các cấu trúc mạch truyền thống. Kết quả mô phỏng trên tiến trình Samsung 130nm CMOS chứng minh độ chính xác ấn tượng $99.75%$ và khả năng nhận dạng chính xác $100%$ tập dữ liệu MNIST $8 \times 8$. Đây là tiền đề học thuật và kỹ thuật vững chắc, đóng góp giải pháp giá trị cho sự phát triển của các thế hệ chip AI thông minh, siêu tiết kiệm năng lượng trong tương lai.