柔性电子器件因其超薄、轻质、可贴合、可定制及低成本等优势，正深刻改变可穿戴医疗、植入式神经记录、人机交互和物联网等应用形态。近年来，稳定且高良率的薄膜晶体管（TFT）技术使在柔性基板上大规模集成电路制造成为可能。同时，柔性多模态传感与本地协同处理的深度融合，以及高性能边缘智能的快速发展，对能够高效加速神经网络推理的柔性处理器提出了迫切需求，而传统硬件架构在能效、可靠性和机械适应性方面面临显著挑战。

针对上述瓶颈，清华大学集成电路学院任天令教授团队提出了FLEXI——面向边缘智能加速的柔性数字存内计算芯片。该芯片兼具轻薄、低成本和高能效等优势，相关成果近日在线发表于《自然》。

该系列芯片包括FLEXI-1（1 kb）、FLEXI-4（4 kb）和FLEXI-32（32 kb）三种规格，最多集成约26.5万个晶体管。通过覆盖制造工艺、电路结构与算法设计的跨层级协同优化（CLCO）策略，FLEXI实现了稳定、高速、并行的点积运算，在工艺波动与机械形变条件下仍保持优异的精度、面积效率与能效表现。

在体系结构上，FLEXI采用高度可扩展的模块化存算一体架构，可高效支持神经网络中的单指令多数据（SIMD）运算。为降低神经网络权重反复写入带来的能耗与时延开销，研究团队针对不同存储容量设计了一组轻量级神经网络模型，实现权重的片上一次性部署。这些模型可在FLEXI芯片上高效处理多种数据类型，即使在最小规模的FLEXI-1芯片上亦可稳定运行。

实验结果表明，FLEXI所采用的6T-SRAM单元具有对称的电压传输特性和近轨到轨输出能力，亚稳态电压增益约为80，实现可靠的双稳态存储。芯片可在2.5–5.5 V电源电压范围内稳定运行，并在半径1毫米、180°对折条件下经受超过4万次弯折循环而性能无明显退化。

在应用验证方面，FLEXI可在边缘环境中实现高效、本地化的即时数据解释。研究团队将其用于日常活动的连续监测与识别，展示了在便携式高保真生理监测和多模态传感器内计算中的应用潜力。团队采集了10名受试者在坐姿、紧张、步行、慢跑和骑行等状态下的心率、呼吸频率、体温及皮肤水分等多模态生理信号，经预处理后构建轻量级四通道卷积神经网络，并在FLEXI-1上实现一次性片上部署。通过量化感知训练，该模型在测试集上取得97.4%的分类准确率。

该研究得到国家自然科学基金委员会、科技部、北京信息科学与技术国家研究中心及北京市自然科学基金委员会等机构的支持。（来源：中国科学报 陈彬）

相关论文信息：https://doi.org/10.5281/zenodo.14268923