这个问题在 AI 加速器中尤为严重，修复这个问题需要一些tradeoff。
据估计，一些最先进和最复杂的芯片设计中总功耗的 20% 到 40% 被浪费了。
glitch功耗并不是一个新现象。在先进节点上，glitch功耗问题正变得越来越突出，没有一种解决方案适用于所有芯片或设计类型。
在组合电路中，时钟控制不同状态寄存器的传播。但是，在栅极或导线中经常存在延迟，因此输入不会同时到达栅极。
假设你有一个 AND 或 OR 门，你所有的信号不会同时到达，所以需要有一个允许范围内的稳定时间窗口。输入越多，发生这种情况的概率就越大，浪费的glitch功耗就越多。
这种现象也被称为hazards。hazards是电路中可能产生这种glitch的原因。根据逻辑的类型，如果存在非常宽的扇入逻辑，或者非常长深度的组合逻辑，那么这些glitch发生的可能性就更高。glitch是非常高频率的东西，它们toggle，然后几乎立即关闭，这种情况可能在任何地方发生多次。
AI 加速器中的glitch
对于 AI 加速器来说，这个问题尤其麻烦，因为 AI 加速器旨在以最小的功耗实现最大的性能。
在神经网络处理硬件中，有很多乘法累加计算。事实上，许多神经网络处理器的评级标准是每秒执行数以百万计的MAC，这是性能的衡量标准。但是，如果你看一下硬件乘法器和加法器的传统设计，并且这些类型的电路串联在一起，并采用流水线连接。发生的情况是，即使在单个时钟周期内，也发生了很多这些信号转换。由于不同电路的不同延迟，最终稳定下来，得出最终结果。
由于电路的设计方式，这些神经网络处理器中的乘法器非常容易出现glitch功耗，并且需要多次转换才能稳定到最终结果。
glitch源识别和排序
整体效率 Glitch 也会影响设计的整体效率。当你切换某些东西时，它使用来自电压源的能量，一直到引脚，但也使用存储在网络电容中的能量。因此，如果你像这样打开和关闭，你就会不必要地充电和放电这些电容器。
由于 RC 延迟增加，先进工艺使情况变得更糟。在先进节点中，晶体管越来越小，延迟开始由RC部分主导。当进入越来越先进的节点时，这些小晶体管必须驱动这些大负载，信号延迟和变化的机会就越多。
如果在线路中存在hazards，就会增加发生glitch的可能性。由于两个输入信号的到达时间不同，因此出现了输出glitch。
很多时候这个glitch的传播实际上影响更大，对于芯片设计师来说，更令人担忧的是它的下游影响，因为这种glitch不仅仅停留在那个信号上。这就是事情变得非常复杂的地方。很多时候它可以向下游传播，因为组合逻辑是多级的。如今，数据路径更深，时钟频率更快。数据路径可以深达 15 或 20 级，该信号的glitch可以一直传播，并导致它通过的每个栅极的功耗浪费。
过去，对glitch功耗的担忧并不多，因为它在总动态功耗中占比不大。但是，我们开始在7nm左右看到的情况，组合逻辑路径开始变得如此之深，以至于glitch功耗成为一个大问题。突然之间，在某些设计中，它占总动态功耗的 25% 到 40%。
