C-Transformer：面向大语言模型的高能效同构 DNN-Transformer/SNN-Transformer 处理器

基于摘要分析。该研究针对语言模型的外部存储器瓶颈，提出 C-Transformer 专用处理器，通过统一 DNN-Transformer 与 Spiking-Transformer 的计算硬件、优化脉冲域处理及权重生成来降低能耗；主要研究对象是语言模型芯片，而非 EEG 解码或 BCI 算法。 处理器包含三个关键模块：同构 DNN-Transformer/Spiking-Transformer 核心（HDSC），利用混合乘法/累加单元（HMAU）提高硬件利用率；输出脉冲推测单元（OSSU），提升脉冲域处理能效；隐式权重生成单元（IWGU），结合扩展符号压缩（ESC）缓解外部存储器瓶颈。摘要未提供权重生成细节、脉冲表示转换方式及其对任务质量的影响，这些机制尚需全文验证。 作者报告，芯片采用 Samsung 28-nm 1P8M CMOS 工艺，工作电压为 0.7–1.1 V，最高频率为 200 MHz，支持语言建模、翻译与摘要任务。在 GPT-2、mT5、T5 和 FairSeq MachineTranslation（FSMT）等模型上，相对摘要所述基线，计算能耗为其 0.21–0.33 倍，外部存储器访问能耗为其 0.37–0.41 倍。作者还报告，相比此前最佳方案，在参数量为其 2.1 倍时能耗降低 13.6%；另一相近参数规模对比中，能耗降低 63.8%。上述比较的具体基线、精度、模型配置与测量边界尚未验证。 作者报告所测语言模型任务延迟均低于 1 s，其中 FSMT 为 0.09 s、GPT-2 为 0.656 s；输入与输出长度、批大小及任务质量约束未在摘要中说明，因此不能直接外推至任意生成场景。复现需核对硬件实现、权重压缩与生成流程、DNN/SNN 执行配置，以及端到端能耗和延迟测量协议。摘要未提供 EEG/BCI 验证，相关工作尚未检索确认；目前不足以形成具体的 BCI 迁移结论。