[發明專利]一種使用模擬計算的神經網絡芯片

有效

• 申請號: 201611111667.4
• 申請日: 2016-12-06
• 公開（公告）號: CN108154226B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 戴瑾;郭一民;陳峻
• 申請（專利權）人: 上海磁宇信息科技有限公司
• 主分類號: G06N3/063
• 分類號: G06N3/063;G11C11/16
• 代理公司: 上海容慧專利代理事務所(普通合伙) 31287
• 代理人: 于曉菁

一種使用模擬計算的神經網絡芯片包括：由多個MTJ存儲單元組成的存儲陣列，每一個存儲單元由一個磁隧道結和一個選通MOS晶體管串聯，通過行地址解碼器和列地址解碼器選擇存儲陣列中的存儲單元；存儲陣列的每一列配置一個置于高阻態的參考單元；存儲陣列的每一列配置兩個MOS晶體管，其中兩個MOS晶體管的柵極均連接至神經元的輸入信號，兩個MOS晶體管中的一個MOS晶體管的源極連接至相應列的源極線信號，兩個MOS晶體管中的另一個MOS晶體管的源極連接至相應列的參考單元的源極線；所述一個MOS晶體管的漏極連接第一電壓值，所述另一個MOS晶體管的漏極連接第二電壓值，第一電壓值減去MTJ存儲單元的基準電位的差值等于MTJ存儲單元的基準電位減去第二電壓值的差值。

技術領域

本發明涉及半導體芯片領域以及人工智能領域，尤其涉及一種使用模擬計算的神經網絡芯片。

背景技術

人腦是一個由大量神經元復雜連接的網絡。每個神經元通過大量的樹突連接大量的其他神經元，接收信息，每一個連接點叫突觸(Synapse)。在外部刺激積累到一定程度后，產生一個刺激信號，通過軸突傳送出去。軸突有大量的末梢，通過突觸，連接到大量其他神經元的樹突。就是這樣一個由簡單功能的神經元組成的網絡，實現了人類所有的智能活動。人的記憶和智能，普遍被認為存儲在每一個突觸的不同的耦合強度里。

神經元的反應頻率不超過100Hz，現代計算機的CPU比人腦快1000萬倍，但處理很多復雜問題的能力不如人腦。這促使了計算機行業開始模仿人腦。最早的對人腦的模仿，是在軟件層面的。

神經網絡(Neural Networks)是計算機學習中常用的算法。神經網絡算法中的神經元就是一個函數，它有很多個輸入，每一個輸入都對應著一個權重。一般的算法是每一個輸入乘以權重在相加。它輸出0或1(由一個閾值決定)，或者一個介于0和1之間的值。一個典型的神經網絡，是把大量細胞陣列(Neuron)的輸出輸入連接在一起的網絡，通常組織成多級架構。它內部有很多個參數(權重、閾值)，學習訓練的過程就是調整這些參數。這是一個需要海量計算的函數優化。這類算法，已經取得了豐富的成果，得到廣泛應用。

神經網絡算法中的網絡都是分成很多層的。最早的網絡，上一層的每一個神經元和下一層的每一個神經元連接，成為全連通的網絡。全連通網絡的一個問題，在于圖像處理這類應用中，圖像的像素很多，每一層需要的權重數量正比于像素平方，由此該方案占用內存太大，計算量更是無法應付。

在卷積神經網絡中，前面的很多層不再是全連通的。每一層的神經元作為一個圖像被排成陣列。下一層的每一個神經元只和這一層的一個小區域連通。小區域常常是一個邊長為k的方形區域，k稱為卷積網絡的內核尺寸(Kernel Size)，如圖1所示。

卷積神經網絡(Convolutional Neural Network,CNN)因為對這個小區域的各個點加權重的求和類似卷積而得名。這一組權重在各個同一層細胞中的各個點都是一樣的(既平移不變性)，從而跟全連通網絡相比大幅度減少權重數量，使得高分辨率的圖像處理成為可能。一個卷積神經網絡包括多個這樣連通的層，以及其他種類的層。

隨著深度學習應用的普及，人們開始開發專用的神經網絡芯片。用專用電路實現神經元計算的加法和乘法，比用CPU或者GPU高效得多。

磁阻式隨機訪問存儲器(Magnetic Random Access Memory，MRAM)是一種新的內存和存儲技術，可以像SRAM/DRAM一樣快速隨機讀寫，并且比DRAM快；還可以像閃存一樣在斷電后永久保留數據，并且不像NAND它可以不限次地擦寫。

MRAM的經濟性相當好，單位容量占用的硅片面積比SRAM(通常作為CPU的緩存)有很大的優勢，有望接近DRAM的水平。它的性能也相當好，讀寫時延接近最好的SRAM，功耗則在各種內存和存儲技術最好。而且MRAM不像DRAM以及閃存那樣與標準CMOS半導體工藝不兼容。MRAM可以和邏輯電路集成到一個芯片中。有了MRAM技術，就可以把內存、存儲、計算三個功能集成到一個芯片上來。新的計算架構就有可能。