[發明專利]使用非易失性半導體存儲元件的神經網絡運算電路

有效

• 申請號: 201880057229.5
• 申請日: 2018-08-29
• 公開（公告）號: CN111095417B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 河野和幸;小野貴史;中山雅義;持田禮司;早田百合子
• 申請（專利權）人: 松下控股株式會社
• 主分類號: G11C11/54
• 分類號: G11C11/54;G06G7/60;G06N3/063
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 安香子

在根據輸入數據(x0～xn)與耦合權重系數(w0～wn)的積和運算結果將輸出數據(y)輸出的神經網絡運算電路中，具備運算機構(PU0～PUn)，該運算機構中，非易失性半導體存儲元件(RP)和單元晶體管(T0)串聯連接在數據線(BL0、SL0)之間，非易失性半導體存儲元件(RN)和單元晶體管(T1)串聯連接在數據線(BL1、SL1)之間，在單元晶體管(T0、T1)的柵極連接有字線(WL0～WLn)；在RP、RN中保存耦合權重系數(w0～wn)，字線選擇電路(30)根據x0～xn將WL0～WLn設為選擇狀態或非選擇狀態，判定電路(50)通過判定流過BL0、BL1的電流值，將輸出數據(y)輸出。

技術領域

本發明涉及能夠實現低功耗化和大規模集成化的使用非易失性半導體存儲元件的神經網絡運算電路及其動作方法。

背景技術

隨著信息通信技術的進展，所有的事物與因特網相連的IoT(Internet?ofThings)技術的到來受到關注。在IoT技術中，通過將各種電子設備連接到因特網，期待設備的高性能化，但作為實現更高性能化的技術，近年來活躍地開展電子設備自己進行學習和判斷的人工智能(AI：Artificial?Intelligence)技術的研究開發。

在人工智能技術中，使用對人的腦型信息處理進行工學上的模仿的神經網絡技術，并且以高速、低功耗執行神經網絡運算的半導體集成電路的研究開發正在火熱地進行。

在專利文獻1、專利文獻2、專利文獻3中公開了以往的神經網絡運算電路。神經網絡電路由將多個輸入以分別具有不同的耦合權重系數的被稱作突觸(synapse)的耦合來連接的被稱作神經元(neuron)(也有被稱作感知器(perceptron)的情況)的基本元件構成，通過將多個神經元相互連接，能夠進行圖像識別及聲音識別這樣的高級的運算處理。在神經元中，進行對將各輸入與各耦合權重系數相乘后的值全部進行相加的乘加運算動作。乘加運算電路由保存輸入及耦合權重系數的存儲器電路和寄存器電路、將輸入與耦合權重系數相乘的乘法電路、將乘法結果累積相加的累加器(accumulator)電路、以及進行這些電路塊的動作控制的控制電路構成。這些電路塊全部由數字電路構成。

在非專利文獻1中，公開了以往的神經網絡運算電路的另一例。其使用能夠設定模擬電阻值(電導)的電阻變化型非易失性存儲器而構成神經網絡運算電路，在非易失性存儲器元件中保存相當于耦合權重系數的模擬電阻值(電導)，對非易失性存儲器元件施加相當于輸入的模擬電壓值，利用此時流過非易失性存儲器元件中的模擬電流值。由神經元進行的乘加運算動作通過以下這樣進行：將多個耦合權重系數作為模擬電阻值(電導)保存到多個非易失性存儲器元件中，向多個非易失性存儲器元件施加相當于多個輸入的多個模擬電壓值，得到將流過多個非易失性存儲器元件中的電流值合計的模擬電流值作為乘加運算結果。使用非易失性存儲器元件的神經網絡運算電路與上述的由數字電路構成的神經網絡運算電路相比能夠實現低功耗化，近年來，火熱地開展能夠設定模擬電阻值(電導)的電阻變化型非易失性存儲器的工藝開發、器件開發及電路開發。

現有技術文獻

專利文獻

專利文獻1：日本特開2001－188767號公報

專利文獻2：日本特開平6－259585號公報

專利文獻3：日本特開平2－161556號公報

非專利文獻

非專利文獻1：M.Prezioso，et?al.，“Training?and?operation?of?anintegrated?neuromorphic?network?based?on?metal－oxide?memristors，”Nature，no.521，pp.61－64，2015.

發明內容

發明要解決的課題

但是，上述的以往的神經網絡運算電路有以下所示的問題。