近日，第62届电子设计自动化领域顶级学术会议DAC（Design Automation Conference，CCF-A类）在美国旧金山市召开，上海交通大学计算机学院何哲陟副教授团队两篇论文入选，其中一篇针对三维点云的KNN存内计算加速架构成果“PICK: An SRAM-based Processing-in-Memory Accelerator for K-Nearest-Neighbor Search in Point Clouds”荣获最佳论文提名奖。今年DAC会议总共接收1862篇论文最终录用420篇，其中仅有7篇文章被提名为最佳论文。上海交通大学计算机学院博士生聂晨为该文章的第一作者，联想蒋超、肖利明、张伟丰为合作者，计算机学院何哲陟副教授为通讯作者。该研究工作得到了国家自然科学基金、国家重点研发计划等资助。

研究背景

点云是一种常用于精确刻画空间结构的数据格式，已广泛应用于自动驾驶、机器人导航与增强现实等前沿应用。而在这些应用中，最常用的计算是kNN搜索算法，其主要用于处理点云中的点与点之间的几何邻接关系，是SLAM、点云配准、目标识别与语义分割等多项关键算法的底层核心。然而，kNN搜索在计算和存储方面均面临巨大挑战：其距离计算和Top-k查找操作不仅计算密集、对内存带宽要求高，甚至能够占据整个点云处理流程80%以上的总延迟。

图:点云数据示意图

尽管已有部分加速器尝试通过数据结构优化（如kd-tree、octree等）或近似计算减少负载，但往往存在精度损失或预处理开销大等问题。特别是在资源受限的边缘设备上，实现低功耗、低延迟且高精度的kNN搜索，依然是当前业界和学术界面临的关键难题与技术挑战。

研究成果

针对上述瓶颈，团队提出了一种基于SRAM的存内计算加速架构，首次实现了高效、精准、全硬件可部署的kNN点云搜索加速，文章在体系结构与电路层面进行了多项关键创新：

(1) 比特串行存内计算技术：引入成熟的基于比特串行的存内计算微架构设计，将传统kNN中的乘加操作转换为可在SRAM内部原位执行的逻辑操作，显著降低数据搬移开销，并消除了运行时对DRAM的访问，实现真正意义上的“计算即存储”，并显著优化数据局部性与复用性。

(2) 位宽裁剪技术：提出一种创新的裁剪策略，通过识别有效信息位，动态减少无关位宽，在几乎不影响精度的前提下，通常情况下可以将距离计算的逻辑操作数量降低56%，大幅缩短延迟并降低能耗。

图:比特裁剪算法可以大幅减少计算量

(3) 基于筛选与选择的Top-k查找机制：为支持任意k值的高效查找，设计了“筛选-选择”两阶段机制，结合动态阈值二分调整，实现了Top-k查找的近似常数时延处理，突破了现有方案对k值不敏感或资源利用率低的限制。

图:基于筛选与选择的高效Top-k查找机制

(4) 两级流水线结构设计：实现距离计算与Top-k查找的硬件流水并行，加速整个查询流程，有效提升吞吐率。

实测结果表明，PICK在多个真实点云数据集上均表现出优异性能：在KITTI数据集上，相较于现有最佳设计BitNN，PICK实现了4.17×运行速度提升与4.42×能耗降低，同时保持几乎无精度损失。该架构支持大规模点云处理任务的全片上部署，具备广泛的边缘计算落地潜力。

图:精度测试证明该工作可以保证良好的精度

图：性能评估表明该设计的性能远超现有其他设计

主要作者介绍

聂晨是上海交通大学计算机学院的博士生，主要研究方向为高性能计算架构、存内计算架构设计、软硬件协同设计与优化，发表论文Nature Communication, TC, DAC等。

何哲陟是上海交通大学计算机学院的副教授，主要研究方向为智能计算软硬件设计、类脑计算、计算机体系结构、电子设计自动化等。