[發明專利]一種用于脈沖神經網絡存內計算的芯片及計算方法

有效

• 申請號: 202010682227.4
• 申請日: 2020-07-15
• 公開（公告）號: CN111967586B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王源;趙照;喬鑫
• 申請（專利權）人: 北京大學
• 主分類號: G06N3/063
• 分類號: G06N3/063;G06N3/049;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 張睿

本發明實施例提供一種用于脈沖神經網絡存內計算的芯片及計算方法，該芯片包括依次連接的信號輸入模塊、存內計算模塊、信號輸出模塊；信號輸入模塊用于將輸入的圖像像素陣列轉換成生物脈沖信號輸入至存內計算模塊；存內計算模塊用于根據預先存儲的神經網絡突觸權重值，對生物脈沖信號進行存內運算，并將輸出的位線電流輸入至信號輸出模塊；信號輸出模塊用于將位線電流轉換成識別脈沖信號。本發明實施例提供的用于脈沖神經網絡存內計算的芯片及計算方法，集合類腦計算及存內計算優勢，通過集合片上訓練、片上存儲及片上推理功能，突破了馮諾依曼架構的計算瓶頸，從而實現集存儲與計算一體的低功耗計算，實現了輸出精度可調，有效的提升了計算性能。

技術領域

本發明涉及計算機技術領域，尤其涉及一種用于脈沖神經網絡存內計算的芯片及計算方法。

背景技術

在人工智能(Artificial?Intelligence，AI)領域，隨著深度學習的不斷發展，人工智能被廣泛的應用到多個領域，在神經網絡芯片的設計過程中，芯片的功耗、存儲問題成了不可忽視的問題。脈沖神經網絡(Spiking?Neural?Network，SNN)作為第三代神經網絡，主要模擬的是神經突觸以電脈沖傳遞信息的編碼方式，兼具生物信息處理特性，在實現低功耗方面有著獨特的優勢。同時，SNN在算法上面的優勢使得其可以很方便的實現神經網絡的訓練，相比于卷積神經網絡(Convolutional?Neural?Network，CNN)、深度神經網絡(DeepNeural?Network，DNN)結構更易于實現芯片的低功耗，且消耗較少的硬件資源。

此外，在神經網絡芯片設計過程中，存儲一直是芯片設計的難點，存內計算(Computing-in-Memory，CIM)架構突破傳統馮諾依曼架構的計算思維，采用存儲單元進行計算的設計思路，適宜于應用至神經網絡芯片設計中，不僅能降低神經網絡在工作過程中訪存所帶來的延遲與功耗，還解決了神經網絡芯片的存儲問題。

現有技術尚未記載如何通過結合SNN與CIM計算，架構實現神經網絡訓練-推理芯片，以實現集神經網絡訓練、存儲、推理于一體的高性能類腦計算的結構。

發明內容

本發明實施例提供一種用于脈沖神經網絡存內計算的芯片及計算方法，用以解決現有技術中存儲與運算分開計算，需要在存儲器與處理器之間頻繁的傳輸數據，導致功耗與時延較高的缺陷，有效的提升計算性能。

第一方面，本發明實施例提供一種用于脈沖神經網絡存內計算的芯片，包括：依次連接的信號輸入模塊、存內計算模塊、信號輸出模塊。其中，信號輸入模塊用于將輸入的圖像像素陣列轉換成生物脈沖信號輸入至存內計算模塊；存內計算模塊用于根據預先存儲的神經網絡突觸權重值，對生物脈沖信號進行存內運算，并將輸出的位線電流輸入至信號輸出模塊；信號輸出模塊用于將位線電流轉換成識別脈沖信號。

作為可選地，本發明實施例提供的用于脈沖神經網絡存內計算的芯片，還包括神經網絡突觸陣列模塊；所述神經網絡突觸陣列模塊用于根據樣本生物脈沖信號，獲取神經網絡突觸權重值，并將該神經網絡突觸權重值存儲至存內計算模塊；樣本生物脈沖信號是由信號輸入模塊對樣本圖像像素陣列進行處理后獲取的。

作為可選地，上述神經網絡突觸陣列模塊由生物可塑性突觸陣列和比較器陣列構成；每個生物可塑性突觸中包含學習算法電路和突出電路，用于根據樣本生物脈沖信號獲取突觸權重；每個生物可塑性突觸連接一個比較器，該比較器用于對突觸權重進行二值化后存儲至存內計算模塊。

作為可選地，信號輸入模塊由模數轉化器陣列和輸入神經元陣列構成；模數轉化器陣列用于將圖像像素陣列轉換成電流信號輸入至輸入神經元陣列；輸入神經元陣列用于將電流信號轉換成生物脈沖信號。

作為可選地，存內計算模塊由脈沖-電壓轉化器陣列和靜態隨機存儲器陣列構成；脈沖-電壓轉化器陣列用于將生物脈沖信號轉換成電壓信號輸入至靜態隨機存儲器陣列；該靜態隨機存儲器陣列用于對電壓信號進行乘累加運算，獲取位線電壓輸入至信號輸出模塊。