一文看懂内存内计算的几条路线
来源：内容由半导体行业观察（ID：icbank）编译自「eejournal」和，作者：Bryon Moyer。谢谢。
存储器可以视为是“存取”而后成为乘积函数。将权重（weights）存储在存储器中并将激activation用作输入，可节省数据移动和功耗。而且实现这个有多种方法，例如可以使用RRAM，闪存或SRAM进行操作，另外还有一种涉及到DRAM的方法，但这是完全不同的。
在赢得人工智能（AI）的争夺战中，许多公司都在尝试创建最好的机器学习（ML）引擎。这意味着要以最低的功耗进行最快的推理，而最低的功耗则意味着弄清楚如何规避“撞上存储墙”。换句话说，大量的精力被花费在移动所有必要的数据上。这里，我们讨论的是移动数十亿条数据的方法。
我们在几周前就看到了其中的一部分，他们采用了新的推理体系结构，该体系结构着重于内存带宽和局部性（locality），试图以更快的速度和更低的功耗移动更少的数据。但是我们有意推迟讨论解决此问题的另一种方法：内存内计算。
在更传统的体系结构中，有一些用于张量数学（tensor math）的乘累加（MAC）电路，特别是矩阵乘法（其首字母缩写为GEMM，用于“通用矩阵乘法”）。这些体系结构试图以适应将权重和activations移到适当位置的方式来安排MAC。activations是由先前的神经网络层（第一层使用实际的网络输入作为“activations”）来计算的，而权重则存储在某处。乘法通常涉及activations和权重，因此必须将两者都移动到将它们相乘的引擎上。这就是问题的症结所在。
内存内计算利用了一个相当方便的内存事实，因此，如果将权重存储在内存中，则可以通过activations来访问内存，从而获得乘法累加。与实际存储器的唯一区别在于，内存内计算一次接合了所有word lines ，而不是通过解码输入而只能得到一个word lines。
我们在这里正在做的事情是进入模拟域（analog domain），将存储单元视为模拟单元而不是数字单元，以降低功耗。我们已经看到了一种在推理引擎前端使用模拟的方法。内存内计算在内存中使用它。因此，我们获取数字数据，使用DAC将其转换为模拟值，使用这些模拟值驱动具有模拟内容的存储器，以获取模拟位线输出，然后使用ADC将结果转换回数字格式。
我们将深入研究不同技术的细节，但是鉴于所要讨论的所有内容，为此我们将省略许多细节。
用RRAM来做
我们在今年早些时候大体讨论了这一点，然后我们更具体地研究了如何在RRAM（或ReRAM）存储器或使用铁电FET（FeFET）来实现这一点。尽管RRAM是执行此操作最常用的方法，部分原因是通过将欧姆定律应用于一系列电阻很容易理解，但这仍然存在依赖RRAM的问题。
正如研究替代方案的人所说，RRAM仍需要进行开发工作才能将其商业化。编程和电阻之间的关系是非线性的，这就要求必须要做更多的工作来制造商业上可行的RRAM内存内计算电路。换句话说，“这是个好主意，但准备就绪时请再告知我们。”我不知道任何商业发展（与商业前研究相对）的状况，但你们如果坚信这可以实现，请发表你们的观点。
既然如此，如果我们还不准备使用电阻器阵列来做，那我们该怎么办？
用Flash做
我听说过的下一种方法是使用闪存而不是RRAM。具体地说，NOR闪存拥有更传统的word-line/bit-line结构。一开始，我就被这种评论吸引住了，这种使用电容而不是电阻的方法。使用欧姆定律以外的其他方法，乘积算法是否同样有效？
好吧，实际上，它兼具了电阻性和电容性。通常，存储单元是导通或截止的晶体管。但是，如果它是部分导通的，则它可以用作为电阻器，电阻取决于存储单元（电容器）浮栅上的电荷量。一直运行时，cell将传导至其最大容量。这个过程中，它根本不导电，但可以进行一些部分编程。Microchip提供了下图来说明在编程状态之间的电阻的线性特性。
（ 图片来自于Microchip Technology）
对于熟悉Flash的人来说，这听起来可能与您之前所见类似。这就像闪存上的MLC或TLC存储单元。您可能还记得，这是在单个闪存位中存储更多信息的两种方法。MLC或“多层单元”可以存储2 bits。这意味着编程可以采用四个不同的级别，包括全开和全关。TLC表示“三层单元”，它使用八个层存储3 bits 。
好吧，原则上，对于“无限级单元”，将其扩展到“ ILC”并不困难（如果我可能这么大胆的话）。换句话说，它是一个连续范围，而不是4或8个离散级。明确地说，没有人使用或提议使用ILC名称，希望您能理解。而且，实际上，存储单元中的级别数可能不会比TLC单元中使用的级别数多得多。因此，整个连续事物可以帮助我们了解正在发生的事情，但是目前的现实情况还比较有限。
当然，如果我们学习基础物理学，我们将无法做一个无限连续的单元。这是因为栅极值是离散的：它由浮置栅极（或电荷陷阱）中的电子数量决定。您不能拥有分数电子，因此可以有效地量化cell电阻值的范围。但是，实际上，有很多电子-并且在编程过程中没有计算电子，因此它们的数目是正负的。
如果人们要利用一个小型的，前沿的闪存单元，那么电子的数量就会变得重要。但是，使用较旧的技术，以及潜在地使用比通常更大的cell来容纳更多的电子（由于存储密度不是此处的主要目标），您仍然可以处理大量的电子（正负）。
这成为使了用此方法面临的一个挑战——您无法精确控制电子数。而且，对任何数量的响应都将随过程和温度以及所有导致变化的变量而变化。而像上面这样漂亮干净的图形则会在实践中变得更加混乱。
有两家公司走这条路。Microchip拥有他们的memBrain数组（您必须承认一个非常聪明的名字），这要归功于他们对SST收购，而Mythic是一家致力于推理引擎的初创公司，该引擎采用带有闪存的内存内计算。（Mythic的闪存来自于其他授权，但他们拒绝透露来自谁。）两家公司都表示，他们正在使用广泛的校准技术（我不敢透露其细节）来应对这种变化。
在启动时（甚至在测试时）进行校准是一回事，但是闪存cell也会随着时间的流逝失去电子。这就是为什么闪存具有数据保留特性。电子会跑来跑去，这带来了一个有趣的话题：在这种类型的存储器阵列上，数据保留，数据耐久性的含义是什么？
从应用程序的角度来看，这取决于它是要在云计算还是边缘推理引擎中使用。在边缘，它可能会在设备的整个生命周期内执行某些固定的推理功能。因此，如果这些阵列足够多，那么您将在第一次加载权重，并且由于闪存是非易失性的，因此您无需再对其进行编程（除非您进行了现场更新）。尽管您仍然需要移动activations，但无需移动权重，它们将被永久地存储在数组中。
在极限条件下，这将表明耐久性（与设备在累积损坏将电子泄漏加速到无法接受的水平之前可以编程的次数）无关紧要，它只能编程一次。
相比之下，在云应用程序中，该设备很可能作为通用计算资源共享，因此这需要为每个新的应用程序重新编程。这意味着在云中，续航变得更加重要。Mythic声称有10K的写入周期，并且观察到，即使您每天重新编程，它也将持续10年以上。Microchip还预计可承受1K – 10K个周期。
然后是一般的数据保留。标准的闪存cell很好地说明了数字设备提供的抗干扰性优于模拟设备。您可以在一个简单的一个单元中失去（或获得）一些电子，这无关紧要。该单元格仍将读取相同的内容。但这样持续下去，就会永无止境。
如果我们为之设定一个模拟值，在cell中使用一个模拟值，那么从理论上讲，每个电子都很重要。但是，如果有足够的电子迁移，则您需要刷新存储单元，或者…您需要以某种方式补偿单元变化的行为，因为今天相同的模拟输入将产生与一年前不同的结果。
校准电路还可以处理一些老化（aging）问题。但是，对于数据保留，Mythic说他们确实执行“……定期更新闪存中存储的权重值”。这将使持久性成为主要的磨损机制（wear-out mechanism），而不是数据保留。Microchip表示其数据保留时间为TBD，但很可能会每季度或每年对设备进行重新编程以恢复单元。
这些家伙还在DAC和ADC上花费了大量精力。他们需要大量的ADC和DAC（官方称他们有27,000个ADC），且必须是高质量的，以将信噪比（SNR）保持在可促进准确推理的范围内，而这正是许多设计工作的重点。Mythic声称他们提供了一种新颖的ADC；Microchip可以共享其ADC以减少所需的数量。虽然ADC确实消耗能量，但它们都声称它们的使用大大降低了整体系统功耗。
Microchip的完整阵列结构如下所示。
Microchip将其memBrain技术作为IP出售，以供他人集成到其推理芯片中。另一方面，Mythic也在自己的SoC中使用它们。他们使用的术语稍有不同-内存内计算和模拟计算-但这是同一回事。今天，我们对它们的关注将止步于存储阵列；我们将在以后的文章中介绍它们的完整架构。
我将在这里简要介绍一下自己的想法，想知道是否可以以此方式使用其他cell技术。如果您可以使PCRAM单元部分melting/crystallization，那行得通吗？鉴于磁域的严格磁极方向，MRAM听起来像是行不通的，但事实并非如此简单。编程的性质取决于对准偶极子（aligned dipoles）的数量和角度，偶极子的数量和角度可能不是100％，也可能不是平行或反平行。因此，理想情况下，它也可以采用模拟值。我与MRAM行业专家进行了简短的交谈，他说从理论上讲这是可能的，但尚未证明是可行的。明确地说，我没听说任何一个涉及这些技术的项目。
用SRAM来做
下一个想法来自普林斯顿大学在Hot Chips的演讲。他们使用了SRAM阵列。这似乎很……令人惊讶，因为它们易变。并且，根据定义，SRAM是双稳态单元。因此，它无法处于中间状态。这应该怎么处理？
普林斯顿团队一直受到我们一直在讨论的这些相同的SNR问题的激励。针对上图，他们有自己的观点，说明变化可能对存储单元产生的影响。他们声称这很难处理，并且为此需要校正的DAC和ADC最终在面积和功耗上都压倒了阵列。
鉴于与闪存在这个问题上的讨论，尚不清楚事情是否像普林斯顿大学团队所建议的那样可怕，但我没有可以论证的论点，来证明如果闪存方法比SRAM单元使用更多的功率或更大的面积，则全部使用。
普林斯顿大学的工作归结为如何去模拟的问题。到目前为止，我们采用的方法是在内存之前进行模拟，然后在内存之后进行数字处理。那不是普林斯顿大学的工作。它们保持数字状态直到位线读数。这有一些含义：
他们不只使用一条bit line进行计算。由于单元仍然是数字值，因此需要几条bit line才能进行一次计算。bit line可以拆分，不同的组进行不同的乘法。在下面的更高级别的图像中对此进行了说明。
它们一次输入8个输入，因此对输入向量进行时间切片，并进行几次连续的乘法运算以获得最终结果。
bit line电荷沉积到电容器上；当准备好读取时，该电荷被读出并发送到ADC，以转换回数字域。
它们的基本单元结构如下所示：
这些电容器可能会引起芯片尺寸的问题，但他们表示可以使用cell上方的金属。当然，完整的单元现在比标准的6T SRAM单元（即使没有电容器）大80％（与闪存相比已经很大），但是他们说，它们的整体电路仍然比标准数字实现所需的电路小得多。且没有完整模拟实施的挑战。由于它们的基本阵列操作仍为数字形式，因此对噪声和变化的敏感性更低，这意味着它们的ADC可以更简单，功耗更低。
用…DRAM做吗？
对于最后的讨论，我们转向与HotMEMs上介绍的UPMEM完全不同的解决方案。从DRAM芯片的角度来看，这可以被视为内存内计算。但是从内存阵列的角度来看，它其实是近内存计算。
这个想法是这样的：如果不使用大量的功率来获取DRAM内容并以某种方式将其掺入CPU或其他计算结构中，直接在DRAM die上进行计算呢？
这就是UPMEM所做的。他们使用DRAM工艺在DRAM裸片上构建了一个简单的处理器，而该工艺原本不是想要的。他们必须在架构上做出一些让步——这不会与Xeon芯片竞争，但是话又说回来，它并不需要针对他们正在做的事情。他们将架构和芯片称为``内存中处理''或PIM。
他们不是将数据带到计算中，而是将计算带到数据中。例程（runtime）由主CPU进行，并在DRAM芯片本身中本地执行。然后，无需将数据移动到DRAM芯片之外的任何位置，只需将计算结果传回主机系统即可。而且，由于ML计算通常涉及大量的减少（reduction），因此结果应该是用于计算的数据更少。
尽管这样做确实需要对DRAM设计本身进行一些小的更改，但他们并没有改变制程。现在，一个标准的DRAM模块将为分布式计算提供多种机会。
这有不利之处吗？利用此功能编写完整的程序会很复杂。他们的工具套件和流程旨在解决此问题。因此，除了“不是正常完成方式”之外，我没有看到任何危险信号（假设它们已经正确执行并且可以可靠地提供）。
他们希望使用PIM offload的服务器将比连接到无PIM的DRAM模块的标准服务器消耗两倍的功耗。但是，吞吐量为20倍，它仍然为他们提供10倍的能源效率优势。另一个例子是“在本地花费更多而在全局花费更少”。
他们还建议，这种方法可以帮助抵御侧信道安全攻击。这是由于这样的事实，原本包含在一个或多个CPU中的一组计算线程流向了DRAM。现在，您需要对所有DRAM进行攻击，并以某种方式弄清楚哪个线程在向何处去，以便从攻击数据中获得任何意义。他们期望这将是一项艰巨的任务。
您可以在下面的链接中找到更多详细信息。
Microchip/SST memBrain
http://www.sst.com/products-and-services/membrain-products
Mythic
https://www.mythic-ai.com/
Princeton SRAM paper
https://arxiv.org/ftp/arxiv/papers/1811/1811.04047.pdf
UPMEM
https://www.upmem.com/
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第2135期内容，欢迎关注。
半导体行业观察
『半导体第一垂直媒体 』
实时 专业 原创 深度
科学家攻克半导体量子计算三大关键挑战，推动量子计算落地产业界
自 1980 年量子计算这一概念被首次提出以来，该领域已经历经了四十余年的发展史。
量子比特，是该领域的一个基本信息单位，与经典计算机中的比特类似。
不过，经典比特只有 0 或 1 两种状态，量子比特还具有包括 0 和 1 的叠加状态在内的其他状态。
这种属性让量子计算机在执行复杂算法和解决某些任务时，拥有比经典计算机高出指数倍的加速能力。
因此，构建大量的量子比特，对于发展量子计算技术而言至关重要。
最初，该领域的研究人员，主要利用光子或原子的量子态来编码量子比特。
该方法在推进基础物理研究方面具有显著优势，但由于在真空环境下操纵光子或原子所需的实验条件较为苛刻，使得未来大规模量子计算机的构建仍面临巨大挑战。
在此背景下，融合当前最尖端的量子计算技术和半导体集成电路技术的硅基量子计算技术，于近十年来获得快速发展，并有望成为量子计算的最佳解决方案。
主要原因在于，与基于光和原子的量子计算相比，硅基量子计算更加具有实用性，能够利用传统的集成电路工艺，在半导体环境下构建量子比特，从而实现量子处理器。
因而，这几年，欧美澳等地已经涌现大量与硅基量子计算相关的公司。不但英特尔、IBM 等科技公司在重点布局该领域，也有相当多的量子计算初创公司出现，例如英国的 Quantum Motion、澳大利亚的 Diraq 等。
与此同时，全球范围内同样存在一些从事该领域研究的科研团队，其中就包括荷兰代尔夫特理工大学博士后薛潇所在的课题组。
目前，薛潇的研究致力于实现分布式可集成量子计算。在计算模块上，他取得 99.65% 的硅基两比特逻辑保真度，首次达到量子纠错所要求的保真度阈值；在集成上，与英特尔公司合作测试并验证了基于 22 纳米制程的低温量子控制芯片，首次实现利用低温芯片对量子芯片的控制；在模块间通信上，利用超导微波光子，在远距离硅基量子模块间实现两比特逻辑。
凭借在硅基半导体系统中攻克了量子计算领域最重要的三大挑战，即高保真度、可集成性和模块化架构，推动硅基量子计算在短短几年间成为被广泛看好的量子计算最佳系统之一， 薛潇成为 2023 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”中国入选者之一。
在硅基半导体系统中攻克量子计算领域三大关键挑战，助推硅基量子计算成为量子计算最佳系统之一
如上所说，硅基量子计算拥有巨大的发展潜力。但其相较于离子阱、超导线路等其他起步较早的系统，还存在许多需要解决的基础问题。
其中，最重要的是基于电子自旋的量子比特的保真度。
在量子计算中，保真度是一个非常重要的概念，指的是量子态或量子操作的精确程度，会直接影响量子信息的传输质量、量子计算的准确性和量子通信的安全性。
“保真度直接对应的是非保真度，后者代表的是计算中出现错误的概率。只有将正确率尽可能地提高，才能对量子比特进行大量的逻辑运算。”薛潇解释道。
在硅基量子计算发展的早期，世界各个实验室所使用的硅材料均为自然硅，其中包含 4.7% 的 Si-29 同位素。而 Si-29 带有非零核自旋，由于超精细相互作用，会造成电子自旋退相干非常快。
2019 年，薛潇在代尔夫特理工大学读博期间，首次在自然硅中验证了 92% 的两比特逻辑保真度[1]。但这与容错量子计算所需要的 99% 保真度相比，仍然存在一段距离。
“量子计算总会存在错误率，并会在量子比特数目不断增加的同时，呈现指数级增长。因此，我们需要用冗余的量子比特，对目标量子比特进行错误纠正，而完成纠错所需的保真度阈值就是 99%。”薛潇表示。
也就是说，只有达到这一阈值，纠错大概率才能获得成功。
因此，为冲击这一目标，薛潇与合作者对硅材料进行同位素纯化，去除绝大多数 Si-29 同位素。同时，改进材料的介电层，并对两比特系统的交换相互作用进行精确的哈密顿量调控。
对于薛潇而言，未知才是该研究开展过程中遇到的最大挑战。
“虽然我们在实验之前已经确定了目标，就是达到 99% 以上的保真度，但我们并不知道自己到底能不能成功。这种未知会给我们带来严重的自我怀疑。”他说，“为了克服这种未知，我们只有不断地去寻找实验系统中任何可能进行优化的空间。”
最终，经过不懈的努力，该课题组于 2022 年实现高达 99.65% 的硅基两比特逻辑保真度，在国际上首次跨越了容错量子计算的门槛[2]。该工作被选为当期 Nature 的封面文章。
除了高保真度，硅基量子计算的另一大挑战是实现集成化量子芯片。
在谷歌的“量子霸权”实验中，超过 200 根控制和读取线缆需要从室温进入制冷机。这不仅会带来很大噪音，还不利于集成和扩展。
为解决这个问题，自 2020 年起，薛潇所在的课题组与英特尔合作，探索将量子控制和读取仪器进行小型化和芯片化，并探究与量子处理器本身进行集成的可行性。
在此基础上，他们设计出基于 22 纳米制程的低温控制芯片（代号为“Horse Ridge”）[3]。该芯片的大小和功耗分别为 4 平方毫米和 384 毫瓦，能够替代笨重的传统高频仪器，并实现相同的保真度。
此外，当前关于量子计算的研究还聚焦于实现分布式可集成量子计算，即构建多个小规模计算模块，并使模块间进行量子通信。
这方面，薛潇与合作者利用超导微波光子，于 2023 年在远距离的硅基量子模块间实现两比特逻辑。据了解，目前相关论文正在接受同行评审，薛潇是共同第一作者[4]。
致力于实现真正全集成的模块化硅基量子处理器，推动中国量子、半导体和人工智能三大领域发展
其实，对于量子信息这一新兴领域，薛潇早在高考结束后就已经了解。源于对该领域的兴趣，他决定将中国科学技术大学作为第一志愿填报，并被顺利录取。
本科阶段，他的主要兴趣是基于线性光学的多光子纠缠。
2014 年到清华大学读研以后，则着重于石墨烯量子点的研究。
2017 年，他远赴代尔夫特理工大学攻读物理学博士学位，自此开始研究半导体中的自旋量子比特。
谈到为何选择这一方向，薛潇表示主要基于以下三方面原因。
其一，对量子技术和凝聚态物理都拥有浓厚的兴趣，而半导体计算是唯一能够让他同时探索这两方面的研究方向。
其二，硅基量子计算的量子比特尺寸小于 100 纳米，具有天然的集成优势，并且工业界已经具备成熟的大规模制备工艺，能帮助该系统与现有传统的硅基电路进行集成。
其三，目前中国在量子、半导体和人工智能三大领域的国际竞争日趋激烈，对硅基量子计算进行研究，不仅有助于推进量子和半导体两方面的工业发展，还有望应用于人工智能的发展中。
这里，值得一提的是，量子和人工智能之间的发展是可以相互促进的。
对此，薛潇指出：“当量子计算真正能够带来算力提升时，自然可以促进人工智能的发展；而已有的人工智能算法，也能够用于服务量子芯片的优化和设计。”
而从量子计算的应用来看，其毫无疑问会在不远的未来大规模落地产业界，并在银行系统和数字货币系统中的加密算法、无人驾驶和城市交通中的优化算法、以及新型药物和新型功能材料设计中的量子模拟算法等方向发挥重要价值。
“然而，要想实现这样的应用前景，就必须将数百万甚至数千万个量子比特进行高度集成。我们所研究的硅基量子计算平台，是目前最有希望完成这一突破的系统。”薛潇表示。
由于目前，他已经在高保真度、可集成性和模块化架构三项技术上取得了领域内公认的重大突破，因此下个阶段，他计划打造一个真正全集成的模块化硅基量子处理器。
与此同时，他也计划与国内从事相关领域的同行联合推动硅基量子技术产业化，从而促进我国的量子、半导体和人工智能三大领域的发展。
1. X. Xue, T. F. Watson, et al., Benchmarking Gate Fidelities in a Si/SiGe Two-Qubit Device.Physical Review X 9, 021011 (2019). https://doi.org/10.1103/PhysRevX.9.021011
2. X. Xue, M. Russ, N. Samkharadze, et al., Quantum logic with spin qubits crossing the surface code threshold.Nature 601, 343–347 (2022). https://doi.org/10.1038/s41586-021-04273-w
3. X. Xue, B. Patra, J. P. G. van Dijk, et al., CMOS-based cryogenic control of silicon quantum circuits.Nature 593, 205–210 (2021). https://doi.org/10.1038/s41586-021-03469-4
4. J. Dijkema, X. Xue, et al., Two-qubit logic between distant spins in silicon. arXiv:2310.16805 (2023). https://arxiv.org/abs/2310.16805
运营/排版：何晨龙
相关问答
半导体R值计算公式?
焦耳定律和欧姆定律的代换公式计算:R=U^2/P,,R=P/I^2。焦耳定律和欧姆定律的代换公式计算:R=U^2/P,,R=P/I^2。
半导体算力是什么?
答:半导体算力是通过对信息数据进行处理,实现目标结果输出的计算能力。我们人类,其实就具备这样的能力。在我们的生命过程中,每时每刻都在进行着计算。我们...
半导体算科技吗?
1.是科技。2.半导体是一种材料,具有特殊的电子导电性质,被广泛应用于电子器件和电路中。它是现代科技领域中的重要组成部分,对于电子技术、通信技术、计算机...
如何计算单位体积霍尔元件电子数?
霍尔系数Rh=U*d/IB,U为霍尔电压,单位mV,d为霍尔元件厚度,单位为μm,I为工作电流,单位为mA,B为磁场强度,单位为T载流子浓度n=1/|Rh|迁移率=Kh*(L/l)*...霍....
导体，半导体和绝缘体的区别?
无论从科技或是经济发展的角度来看,半导体的重要性都是非常巨大的。今日大部分的电子产品,如计算机、移动电话或是数字录音机当中的核心单元都和半导体有着极...
ROM的存储容量怎么计算?
1.ROM的存储容量可以通过字节来计算。2.ROM(只读存储器)是一种无法被修改的存储设备,它的存储容量是固定的。ROM的存储容量计算公式为:存储容量=存储单元...
请问中科院微电子所，半导体所，电子所的各自不同?
相比后二所,微电子所规模较小,实力也弱些.半导体所,光电子很强,近几年国家光电近50%经费投到了这里.当然,微电子方向也不比微电子所差电子所做电路比重大些.大...
【请问要怎么计算半导体制冷片的制冷效率啊?我用8个的话要多...
[最佳回答]半导体制冷片把一个15平米的房间的温度降低5摄氏度,那你的功耗好大哦,8个的话的差不多500W了.而且散热问题有点难解决,半导体制冷片的制冷效率很低...
老师，请问半导体行业的成本一般是用哪种成本核算方法?_会计学堂
[回答]按照制造业核算的办法
紫外可见漫反射光谱数据计算半导体的带隙能-盖德问答-化工人...
在盖德里搜索计算能带间隙,??应用尽有楼主这个问题,大家都不知道答案吗?我现在页遇到了这个问题,所以想借lz这块宝地,继续咨询一下大家,希望大家...
