在科技飞速发展的今天，存内计算作为一种创新的计算架构，正逐渐成为学术界和产业界关注的焦点。它打破了传统计算架构中数据在处理器和存储器之间频繁传输的瓶颈，通过将计算能力集成到存储器中，显著减少了数据移动的延迟和能耗，大幅提升了计算效率和性能 ，尤其在深度学习等需要大量数据处理的任务中优势明显。

为了进一步推动存内计算技术的发展，促进高校与企业之间的产学研合作，知存科技成功举办了一场极具影响力的存内计算大赛。本次大赛面向复旦大学微电子学院与计算机学院，同时吸引力众多开发者的关注，成为了行业关注的焦点，多支队伍围绕 IR-DROP 和 Witin - NN 两大赛题展开了激烈角逐。如今比赛结果已尘埃落定，让我们一同回顾这场科技盛宴，见证创新力量的崛起。

GitCode 开源开发者平台作为本次大赛的合作伙伴，为大赛提供了全方位的在线支持，所有参赛作品均通过 GitCode 平台提交，平台的专业性和稳定性为大赛的高效运作提供了坚实基础，确保了赛事的公正性和权威性。

知存科技杯，竞赛结果揭晓

在 IR-DROP 赛题中，参赛队伍需要深入研究存内计算架构下的电容电阻优化问题。由于实际金属走线中存在电阻，这会影响存算阵列的计算精度，且这一问题随着阵列密度提升、规模提升而越发显著，参赛队伍提出了一系列创新性的解决方案。最终，【晶存智算队】针对12nm的FeFET，设计多个冗余行，为ADC生成电压的数模混合架构，有效降低了IR-Drop对计算精度的影响，同时配合无电容ADC与高密度存储方案，可控制延迟模块，测试验证，最大能效达71 tops/w，在0.5V电压和0.333GHz频率实现显著能效提升，荣获该赛题的一等奖。不仅在IR-DROP问题上，整体方案着眼于优化存算阵列的可扩展性与存储密度，探索高效AI计算方案。

而在 Witin - NN 赛题中，重点考察了参赛队伍对知存科技基于 PyTorch 开发的 Witin - NN 框架的应用与优化能力。Witin - NN 框架旨在解决神经网络在知存科技芯片上部署的性能优化问题，支持量化感知训练（QAT）和噪声感知训练（NAT）等先进技术。[Team 想不出名字队] 充分利用 Witin - NN 框架的特性，采用LSQ的量化方法，实现了自动化的scale选取、解决了过稀疏问题以及支持了residual结构，获得该赛题的冠军。他们的成果展示了如何更好地利用存内计算架构加速神经网络的训练与推理，匹配更多的网络模型，为人工智能与存内计算的结合提供了实践范例。

校企合作：共筑科技创新生态

本次大赛的成功举办，离不开校企合作的深度融合。作为大赛的支持企业，知存科技通过 https://gitcode.com/WITMEM/witmemtech  平台分享了大量的技术资源和实践经验，为参赛队伍提供了坚实的技术支撑。在大赛筹备与进行过程中，知存科技与复旦大学微电子学院双方紧密携手，知存科技在存内计算领域的深厚积累，使得高校学生能够接触到最前沿的技术问题，激发了他们的创新思维。同时，高校的科研力量也为企业的技术创新注入了新的活力。这种校企合作模式，不仅为企业培养了具有实践能力和创新精神的专业人才，也促进了科研成果的快速转化，实现了高校、企业和学生的多方共赢。

大赛意义：点亮行业创新灯塔

从大赛的意义来看，它不仅是一次技术的较量，更是对存内计算未来发展方向的探索。通过解决实际项目中的技术难题，参赛队伍在存内计算电路设计、算法优化等方面积累了宝贵的经验。这些经验将进一步推动存内计算技术在人工智能、大数据处理等领域的广泛应用，为行业的发展提供新的动力。此外，大赛也为存内计算领域的人才培养搭建了平台，吸引了更多优秀的年轻人投身于这一新兴领域，为行业的持续发展储备了人才力量。

展望未来，随着存内计算技术的不断发展和完善，相信在产学研各方的共同努力下，我们将在这一领域取得更多的突破，为推动科技进步和社会发展做出更大的贡献。