[發明專利]一種類腦神經網絡芯片

在審

• 申請號: 201910268518.6
• 申請日: 2019-04-04
• 公開（公告）號: CN109961140A
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 張月
• 申請（專利權）人: 上海界世智能技術有限公司
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06N3/04;G06N3/08;G06F16/35
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種類腦神經網絡芯片，通過設置中央處理模塊，可將數據和結果進行轉接，作為信息數據處理中樞，可加速芯片的數據處理能力；通過設置知識庫，可為芯片訓練構建神經網絡提供原始數據，可在神經網絡構建完成后作為檢索庫提供數據支撐，使得芯片檢索更加敏捷；通過在深度學習模塊中設置深度置信網絡和卷積神經網絡，可使用深度的監督學習下的學習模型或者無監督學習下的學習模型進行芯片深度學習，構建神經網絡更加方便快捷；通過設置數據分類模塊，可將構建完成的神經網絡進行分類，可加快芯片的數據處理過程；本發明還提供了一種類腦神經網絡芯片的使用方法，操作方便快捷，便于推廣。

技術領域

本發明涉及神經網絡芯片技術領域，具體為一種類腦神經網絡芯片。

背景技術

神經網絡可以指向兩種，一個是生物神經網絡，一個是人工神經網絡。生物神經網絡：一般指生物的大腦神經元，細胞，觸點等組成的網絡，用于產生生物的意識，幫助生物進行思考和行動。

人工神經網絡(Artificial Neural Network，即ANN)，是20世紀80年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數(activation function)。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。最近十多年來，人工神經網絡的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。

深度學習是基于深度置信網絡(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

人腦的特點是大規模平行計算，不僅有大量的神經元可以同時工作，而且每個神經元和成千上萬個神經元連接。對于現代集成電路技術，在一個芯片上集成大量的神經元很容易，但提供人腦那樣的內部通訊帶寬非常困難。

發明內容

本發明要解決的技術問題是克服現有的缺陷，提供一種類腦神經網絡芯片，可以有效解決背景技術中的問題。

為實現上述目的，本發明提供如下技術方案：一種類腦神經網絡芯片，包括中央處理模塊、深度學習模塊、知識庫、數據分類模塊、輸入模塊、輸出模塊和存儲模塊，所述中央處理模塊的輸入端分別與所述深度學習模塊、所述知識庫、所述輸入模塊和所述存儲模塊的輸出端連接，所述中央處理模塊的輸出端分別與所述深度學習模塊、所述知識庫、所述數據分類模塊、所述輸出模塊和所述存儲模塊的輸入端連接，所述中央處理模塊包括中央處理單元和信息收發單元，所述深度學習模塊包括深度置信網絡、卷積神經網絡和長短期記憶網絡。

作為本發明的一種優選技術方案，所述知識庫包括專家知識庫和共享知識庫。

作為本發明的一種優選技術方案，所述存儲模塊包括云存儲器、本地存儲器和存儲器控制器。

本發明還提出了一種類腦神經網絡芯片的使用方法，包括以下步驟：

S1.通過所述輸入模塊啟動芯片，所述中央處理模塊接受指令，并將指令下達到各個模塊，所述知識庫將知識數據輸送到所述中央處理模塊，所述中央處理模塊對獲取得到的知識數據進行向量化，得訓練文本向量，然后將所述訓練文本向量輸入到所述深度學習模塊中，并構建模型訓練代價函數，再通過模型訓練代價函數對所述深度學習模塊中進行訓練；