這個問題在 AI 加速器中尤為嚴重，修復這個問題需要一些tradeoff。

據估計，一些最先進和最復雜的芯片設計中總功耗的 20% 到 40% 被浪費了。

glitch功耗并不是一個新現象。在先進節點上，glitch功耗問題正變得越來越突出，沒有一種解決方案適用于所有芯片或設計類型。

在組合電路中，時鐘控制不同狀態寄存器的傳播。但是，在柵極或導線中經常存在延遲，因此輸入不會同時到達柵極。

假設你有一個 AND 或 OR 門，你所有的信號不會同時到達，所以需要有一個允許范圍內的穩定時間窗口。輸入越多，發生這種情況的概率就越大，浪費的glitch功耗就越多。

這種現象也被稱為hazards。hazards是電路中可能產生這種glitch的原因。根據邏輯的類型，如果存在非常寬的扇入邏輯，或者非常長深度的組合邏輯，那么這些glitch發生的可能性就更高。glitch是非常高頻率的東西，它們toggle，然后幾乎立即關閉，這種情況可能在任何地方發生多次。

AI 加速器中的glitch

對于 AI 加速器來說，這個問題尤其麻煩，因為 AI 加速器旨在以最小的功耗實現最大的性能。

在神經網絡處理硬件中，有很多乘法累加計算。事實上，許多神經網絡處理器的評級標準是每秒執行數以百萬計的MAC，這是性能的衡量標準。但是，如果你看一下硬件乘法器和加法器的傳統設計，并且這些類型的電路串聯在一起，并采用流水線連接。發生的情況是，即使在單個時鐘周期內，也發生了很多這些信號轉換。由于不同電路的不同延遲，最終穩定下來，得出最終結果。

由于電路的設計方式，這些神經網絡處理器中的乘法器非常容易出現glitch功耗，并且需要多次轉換才能穩定到最終結果。

glitch源識別和排序

整體效率
Glitch 也會影響設計的整體效率。當你切換某些東西時，它使用來自電壓源的能量，一直到引腳，但也使用存儲在網絡電容中的能量。因此，如果你像這樣打開和關閉，你就會不必要地充電和放電這些電容器。

由于 RC 延遲增加，先進工藝使情況變得更糟。在先進節點中，晶體管越來越小，延遲開始由RC部分主導。當進入越來越先進的節點時，這些小晶體管必須驅動這些大負載，信號延遲和變化的機會就越多。

如果在線路中存在hazards，就會增加發生glitch的可能性。由于兩個輸入信號的到達時間不同，因此出現了輸出glitch。

很多時候這個glitch的傳播實際上影響更大，對于芯片設計師來說，更令人擔憂的是它的下游影響，因為這種glitch不僅僅停留在那個信號上。這就是事情變得非常復雜的地方。很多時候它可以向下游傳播，因為組合邏輯是多級的。如今，數據路徑更深，時鐘頻率更快。數據路徑可以深達 15 或 20 級，該信號的glitch可以一直傳播，并導致它通過的每個柵極的功耗浪費。

過去，對glitch功耗的擔憂并不多，因為它在總動態功耗中占比不大。但是，我們開始在7nm左右看到的情況，組合邏輯路徑開始變得如此之深，以至于glitch功耗成為一個大問題。突然之間，在某些設計中，它占總動態功耗的 25% 到 40%。

審核編輯：黃飛