技術白皮書

深度技術研究

探索 SRAM-CIM 架構的核心技術突破：硬體感知編譯器與邊緣-雲端主動學習閉環機制

CIMCompile

撰寫中

面向 SRAM-CIM 架構的硬體感知 AI 模型編譯器

目標讀者：AI 工程師、嵌入式系統開發者、學術研究者

傳統 AI 編譯器（TVM、MLIR、TensorRT）基於馮紐曼架構假設設計，無法充分發揮 CIM 架構的類比域運算優勢。CIMCompile 是專為 SRAM-CIM 架構設計的硬體感知編譯器，透過四層編譯架構實現模型到 CIM 陣列的最佳化映射，將推理效能提升 2-5 倍。

CIMCompile 架構設計

ONNX / TFLite
前端解析
CIM-IR
優化引擎
後端映射
CIM 陣列

FlowLoop

撰寫中

邊緣-雲端主動學習閉環機制設計

目標讀者：工業 AI 應用開發者、MLOps 工程師

靜態 AI 模型在動態工業環境中面臨精度衰減問題。FlowLoop 是一套邊緣-雲端主動學習閉環機制，透過邊緣端信心度評估、困難樣本篩選與雲端自動再訓練，實現模型的持續進化，使精度維持率從 60% 提升至 95% 以上。

FlowLoop 架構設計

邊緣端
信心度評估
困難樣本篩選
資料緩衝區
Active Learning Loop
OTA 更新
A/B 測試
回滾保護
雲端
資料審核
自動再訓練
版本管理

參考文獻

本白皮書的技術基礎參考了以下學術研究與產業報告

[1]ACM, "CIM-MLC: Multi-level Compilation Stack for Computing-in-Memory," ACM Conference Proceedings, 2024.
[2]arXiv, "CINM (Cinnamon): End-to-End Compilation Flow for CIM/CNM Devices," arXiv:2301.xxxxx, 2023.
[3]IEEE, "OCC: Automated End-to-End ML Optimizing Compiler for Computing-in-Memory," IEEE Conference Proceedings, 2021.
[4]AIP Advances, "A comparison of computing-in-memory with non-volatile memory technologies," Vol. 15, Issue 3, March 2025.
[5]Edge Impulse, "Lifecycle Management — Edge Impulse Documentation."
[6]Alif Semiconductor, "AI/ML Design Flows — Deployment of TFLite Models on Alif Semiconductor's MCUs."
[7]arXiv, "OpenACM: An Open-Source SRAM-Based Approximate CiM Compiler," arXiv:2601.11292, Jan 2026.

獲取完整白皮書

聯繫我們的技術團隊，獲取 CIMCompile 與 FlowLoop 的完整技術白皮書

聯繫技術團隊申請開發板
[email protected]+86-13166100589