随着摩尔定律逐渐放缓，传统的依靠晶体管密度提升来获取计算性能增益的方式面临严峻挑战。根据国际半导体技术路线图(ITRS)的预测，晶体管尺寸缩小的速度已经明显减慢，而功耗墙、内存墙和可靠性墙等物理限制进一步制约了通用计算架构的性能提升[2]。在这一背景下，计算架构的变革已成为突破性能瓶颈的关键路径。
传统的冯·诺依曼架构在面对日益复杂的计算需求时，其固有的指令获取-解码-执行循环模式和内存访问瓶颈日益凸显。Wang等人[12]指出，通用处理器架构在能效方面的提升已经远远落后于应用需求的增长，特别是在人工智能、大数据分析等新兴计算密集型应用领域。这种架构鸿沟促使学术界和工业界开始探索新型计算范式，以应对后摩尔时代的挑战。
数据流计算作为一种与传统控制流计算截然不同的范式，通过数据依赖关系驱动计算，而非指令序列的顺序执行，展现出了显著的并行计算潜力。Khan等人[2]的研究表明，数据流计算模型能够有效地挖掘应用中的固有并行性，特别是在处理具有大量数据级并行和流水线并行机会的应用时，能够提供显著的性能和能效优势。
在摩尔定律放缓的大背景下，计算架构正经历从通用向专用、从控制流向数据流、从同构向异构的多维度变革。这种变革不仅是技术演进的必然结果，更是应对计算需求爆发式增长的战略选择。数据流DSA(Domain-Specific Architecture)芯片作为这一变革的重要方向，正逐渐成为后摩尔时代计算架构创新的焦点[1]。
专用系统架构(DSA)作为针对特定应用领域优化的计算架构，在新兴计算领域展现出独特的优势。与通用处理器追求广泛适用性不同，DSA通过深度理解特定领域的计算特性和数据访问模式，实现了架构与算法的协同优化，从而在性能、能效和成本等方面取得了显著突破。
在人工智能领域，DSA芯片已经成为深度学习训练和推理的主力军。Google的TPU、华为的昇腾、寒武纪的思元等专用AI加速器，通过针对张量计算和卷积神经网络等特定计算模式的优化，实现了比通用GPU更高的性能和能效比。Ansel[22]的研究表明，针对深度神经网络优化的专用加速器能够比通用处理器提供高达100倍的性能/功耗比。
在边缘计算和物联网领域，资源受限的环境对计算效率提出了更高要求。Wu等人[20]提出的Flip加速器针对图处理等不规则计算模式进行了优化，在边缘设备上实现了高效的数据处理。这类DSA设计充分考虑了功耗、面积和性能的平衡，为边缘智能提供了可行的硬件基础。
在高性能计算领域，面向科学计算的DSA加速器也展现出巨大潜力。Ye等人[3]设计的数据流加速器针对科学计算中常见的stencil和FFT等计算模式进行了优化，显著提高了功能单元的利用率和计算效率。这类专用加速器在气象模拟、分子动力学等计算密集型科学应用中发挥着越来越重要的作用。
自动驾驶和机器人技术作为新兴的计算密集型应用，对实时性和能效提出了极高要求。Liu等人[1]提出的数据流加速器架构(DAA)专门针对自动机器的工作负载进行了优化，为自动驾驶汽车、无人机和服务机器人等提供了高效的计算平台。
DSA的关键作用不仅体现在性能提升上，更体现在其对特定领域创新的赋能。通过提供高效的计算基础设施，DSA芯片正在加速人工智能、科学计算、边缘计算等新兴领域的技术突破和应用创新，成为推动这些领域发展的关键使能技术。
数据流架构作为一种与冯·诺依曼架构截然不同的计算范式，正对传统计算模型提出全方位的突破性挑战。这种挑战不仅体现在计算模型的根本差异上，更体现在对计算机系统设计理念的深刻变革。
首先，数据流架构颠覆了传统的计算驱动模式。在冯·诺依曼架构中，计算由程序计数器驱动的指令序列控制；而在数据流架构中，计算由数据的可用性驱动，当一个操作的所有输入数据就绪时，该操作即可执行[5]。这种基于数据依赖关系的自然并行模型，使得数据流架构能够充分挖掘应用中的并行性，而不受程序计数器的顺序约束。
其次，数据流架构重新定义了存储层次与计算的关系。传统架构中，内存访问是主要的性能瓶颈，而数据流架构通过数据局部性优化和流水线执行，显著减少了内存访问开销。Zhou等人[14]提出的Omegaflow架构通过改进依赖关系的处理，提升了指令级并行性，接近具有理想调度器的乱序执行架构的性能，同时能耗仅增加8.82%。