设计的这套架构，通过采用“数据驱动并行计算”的方式，在处理视频、图像类的海量多媒体数据上相对比传统方式更加擅长。
可以说是青出于蓝而胜于蓝。
不过目前这套架构在构造的时候涉及到了很多的系统性的数学难题，比如激活函数、二维数据运算、解压缩等模块等等。
如果是在常规的CPU或者GPU芯片中，这些问题并不是难题。但是NPU神经性网络架构和前两者的性质不同，其数学的兼容性也完全不同。
这就导致设计出来的芯片在性能上甚至还不如10纳米甚至是14纳米的芯片。
目前来说，卡主海思和华芯的难点就在这里。
神经网络和机器学习处理在现在还是处于需求爆发的初期，这方面的数学家相对比传统的CPU/GPU架构数学家要少很多，国外研究这方面的人才都没有多少，更别提国内了。
所以迫不得已之下，发改那边才找上了他，寄希望于他能帮忙解决一下这方面的数学难题。
了解清楚整体的情况后，徐川才点开了数学文件，翻阅了起来。
《大规模稀疏矩阵特征值计算》
《非线性常微分方程组的初值问题的整体解》
《神经性网络架构下的一阶非线性时滞微分方程初值问题》
《基于NPU的多项式矩阵特征值并行》
《.》
一项项的题目在他眼中划过，问题不算多，也不算少，总共十几个的样子，大部分都是基于NPU神经性网络架构下诞生的难点。
徐川先挨个点开了问题看了看，从数学基础上来说，这些问题对于他而言并不难，但是涉及到NPU神经性网络架构，他就不是很懂了。
要研究的话，他得先学一下NPU神经性网络架构，了解一下大致，然后再来做。
不过也不全是这些，有两三个数学问题他现在应该就能解决。
芯片设计中涉及到的这些数学难题再复杂，对他来说难度也就那样。
不管多么复杂的计算方法，多么复杂的模型架构和取值，也不可能比可控核聚变中的高温高压等离子体湍流模型更加复杂，更不可能和七大千禧年难题相比。
而在已经解决了两个七大千禧年难题的他看来，这些题目用小学生的数学来形容可能有点过于夸大，但顶多也就是大学生的程度。
反正在看到这些题目的时候，他脑海中就已经有了解决的思路
本章未完，请点击下一页继续阅读！