一种基于分段复用和参数量化共享的神经形态处理器制造技术

一种基于分段复用和参数量化共享的神经形态处理器，属于神经形态硬件技术领域。量化参数控制模块用于在神经形态处理器运行阶段直接从外部读取当前突触类型，并根据所读取的突触类型从配置神经元计算单元；同步复位模块用于全局复位神经形态处理器；神经元运算核心模块用于执行神经形态计算、暂存输入数据和路由运算结果，神经元运算核心模块的输入脉冲数据和突触类型分段进行输入，将每一段计算完成后再输出到下一级神经元运算核心模块，并采用分时复用的方法对每一个神经元运算核心模块进行多次复用。本发明专利技术大幅度减少了需要直接存储在神经形态处理器上的数据和处理器面积，极大地提高了处理器计算效率，降低了计算功耗。

A Neural Morphological Processor Based on Segmental Reuse and Parametric Sharing

A neuromorphological processor based on segment multiplexing and parametric sharing belongs to the field of neuromorphological hardware technology. Quantitative parameter control module is used to read the current synapse type directly from the outside during the operation phase of the neuromorphic processor, and configure the neuron computing unit according to the synapse type read; synchronous reset module is used to reset the neuromorphic processor globally; the core module of neuron operation is used to perform neuromorphic calculation, temporary input data and routing results, and neuron operation. The input pulse data and synaptic type of the core module are input in segments, and each segment is calculated and then output to the next neuron operation core module. The core module of each neuron operation is multiplexed by time-sharing reuse method. The invention greatly reduces the data and processor area that need to be stored directly on the neuromorphological processor, greatly improves the computing efficiency of the processor and reduces the computing power consumption.

【技术实现步骤摘要】
一种基于分段复用和参数量化共享的神经形态处理器
本专利技术属于神经形态硬件
，涉及一种基于分段复用和参数量化共享的大规模神经形态处理器、设计方法、芯片。
技术介绍
1989年，C.Mead首次提出“神经形态计算”概念。神经形态计算也被称为神经形态工程(neuromorphichardware)，是对大脑的逆向工程，旨在采用忆阻器、阈值开关或者模拟、数字、数模混合技术构造大脑神经系统基本单元——神经元和突触，并借鉴大脑神经细胞组织方式将神经元与突触组织起来，从而构建大规模神经形态硬件，实现类似生物神经系统的信息处理能力，并尽可能达到低功耗、低资源消耗和高适应性。现有的神经形态硬件需预先存储与需要计算的神经形态网络中的神经元个数相等个数的参数才可以完成该网络的计算操作。一般地，能实现实际功能的神经形态网络至少有两层网络，要实现的功能越复杂其规模也越大，用神经形态硬件构筑的复杂神经网络需消耗大量的片上存储空间来存储该网络的各种参数。随着神经形态网络的规模的不断扩展，配置神经元所用的权值、阈值、突出延迟、不应期等参数的数据量也越来越大，对应神经形态硬件的片上存储资源有限的限制下，如何有效地表示和存储神经形态网络的参数将成为制约硬件化的大规模神经形态网络的实现的重要因素。
技术实现思路
针对现有神经形态处理器需要大量存储空间存储网络参数的问题，本专利技术提出了一种基于分段复用和参数共享的大规模神经形态处理器，该架构在现有的神经形态处理器架构中引入了分段复用和参数量化共享结构，从而有效节约处理器的存储空间、大幅度缩小处理器面积、极大提高处理器计算效率、降低运行功耗。本专利技术的技术方案为：一种基于分段复用和参数量化共享的神经形态处理器，包括同步复位模块5、量化参数控制模块10和级联的多个神经元运算核心模块12：所述同步复位模块5用于全局复位所述神经形态处理器；所述神经元运算核心模块12包括：至少一个数据缓存单元18，所述数据缓存单元18包括参数缓冲单元26和输入缓冲单元25，所述参数缓冲单元26用于缓存神经元配置参数14并分段缓存突触类型28，所述输入缓冲单元25用于分段缓存输入数据27，其中级联的第一级神经元运算核心模块12的输入数据27为所述神经形态处理器的输入脉冲数据，其余神经元运算核心模块12的输入数据27为上一级神经元运算核心模块12输出的脉冲数据包；至少一个神经元计算单元22，用于对所述输入缓冲单元25缓存的输入数据27的每一段进行神经形态计算；至少一个脉冲数据路由单元23，用于接收所述神经元计算单元22将所述输入数据27的每一段全部计算完成后的脉冲数据构成脉冲数据包，并路由该脉冲数据包至下一级神经元运算核心模块12；至少一个分时复用控制单元19，用于检测所述神经元计算单元22的运行状态并且采取分时复用的策略以控制所述神经元计算单元22；级联的最后一级神经元运算核心模块12中所述神经元计算单元22将所述输入数据27的每一段全部计算完成后输出脉冲数据作为所述神经形态处理器的输出信号；所述量化参数控制模块10用于在所述神经形态处理器运行阶段直接从神经形态处理器外部读取当前突触类型，并根据所读取的突触类型从所述数据缓存单元18读取该突触类型对应的所述神经元配置参数14的权值以配置所述神经元计算单元22。具体的，所述量化参数控制模块10包括长度与所述神经元运算核心模块12的数量相同的核心使能标志寄存器，用于使能所述神经元运算核心模块12。具体的，所述输入数据27为频率编码、时间编码的脉冲序列，如泊松分布脉冲序列，所述神经元配置参数14为与所述神经形态处理器对应的神经形态网络的参数经量化后的量化值，所述参数包括但不限于突触连接状态、权值、阈值、泄露常数、置位电压、不应期、突触延迟。其中，通过片外离线量化的方法对所述神经元配置参数14进行量化，保存每一个参数经量化后的每一个量化值，并采用量化格式将所述量化值存储于所述数据缓存单元18中，量化格式为<量化值，序号>，量化格式中的量化值为量化后的参数，序号为该量化值在一类量化值中的序号。具体的，级联的最后一级神经元运算核心模块12的分时复用控制单元19用于检测所述神经元计算单元22的运行状态并且采取分时复用的策略以控制所述神经元计算单元22，包含一个小型存储模块，用于存储最后一级神经元运算核心模块12中神经元计算单元22将所述输入数据27的每一段全部计算完成后输出的脉冲数据并作为所述神经形态处理器的输出信号。具体的，所述脉冲数据路由单元23用于接收所述神经元运算核心模块12一次运算结束时产生的脉冲数据包33并路由该脉冲数据包33，包括四个同步先入先出存储器(FIFO)用于缓冲从外部其他神经元运算核心接收的数据。具体的，所述数据缓存单元18采用片内寄存器进行实时存储，节约处理器存储空间。采用本专利技术提出的神经形态处理器的处理方法为：步骤1、上位机7给出时钟输入，为参数量化共享神经形态处理器提供一个主时钟；步骤2、同步复位模块7提供复位信号6，将系统中所有模块的状态初始化；步骤3、启动量化参数控制模块10初始化数据缓存单元18，从外部将核心使能标志输入量化参数控制模块10，对所要用的神经元运算核心模块12进行选择；步骤4、读取核心使能标志，确定要使能的神经元运算核心模块12，减少不必要的神经元运算核心模块12配置；步骤5、量化参数控制模块10选择神经元运算核心模块12的数据交换模式，数据交换模式分为与其他核心交互，或与上位机7交互，从而确定级联顺序；步骤6、量化参数控制模块10从神经形态处理器外部读取参数(突触类型，突触连接状态、权值、阈值、泄露常数、置位电压、不应期、突触延迟等)，并写入所选神经元运算核心模块12的数据缓存单元18进行配置，数据缓存单元18分段存入突触类型；步骤7、从上位机7输入数据的一段脉冲，到与片外存储器13交互的第一级神经元运算核心模块12内的数据缓存模块18，与其他神经元运算核心模块12交互的神经元运算核心模块12接收从上一级神经元运算核心模块12通过脉冲数据路由单元23发送来的脉冲数据包，数据缓存模块18分段存入脉冲数据；步骤8、启动所选的神经元运算核心模块12，开始当前神经元的计算；步骤9、量化参数控制模块10从神经形态处理器外部读取当前神经元的当前突触的状态与类型；步骤10、量化参数控制模块10控制数据缓存单元18从外部读取相应的量化参数，并根据所选突触类型确定神经元运算核心模块12的权值，配置所述神经元运算核心模块12；步骤11、所选神经元运算核心模块12中的神经元计算单元22对分段存入的脉冲数据进行神经形态计算，将存入的每一段脉冲数据计算完成后即完成一次神经形态计算，判断是否发放脉冲，其中第一级神经元运算核心模块12计算上位机7给出的外部脉冲数据，其余神经元运算核心模块12计算上一级神经元运算核心模块12计算完成后的脉冲数据；步骤12、判断神经元运算核心模块12是否计算完缓存的该段脉冲，是则跳转到步骤13，否则跳转到步骤8；步骤13、判断神经元运算核心模块12是否计算完一个神经元的所有分段，是则跳转到步骤14，否则跳转到步骤7；步骤14、神经元计算单元22生成脉冲数据包，并通过脉冲数据路由单元23发送到下一级神经元运算核心本文档来自技高网...

【技术保护点】
1.一种基于分段复用和参数量化共享的神经形态处理器，其特征在于，包括同步复位模块(5)、量化参数控制模块(10)和级联的多个神经元运算核心模块(12)：所述同步复位模块(5)用于全局复位所述神经形态处理器；所述神经元运算核心模块(12)包括：至少一个数据缓存单元(18)，所述数据缓存单元(18)包括参数缓冲单元(26)和输入缓冲单元(25)，所述参数缓冲单元(26)用于缓存神经元配置参数(14)并分段缓存突触类型(28)，所述输入缓冲单元(25)用于分段缓存输入数据(27)，其中级联的第一级神经元运算核心模块(12)的输入数据(27)为所述神经形态处理器的输入脉冲数据，其余神经元运算核心模块(12)的输入数据(27)为上一级神经元运算核心模块(12)输出的脉冲数据包；至少一个神经元计算单元(22)，用于对所述输入缓冲单元(25)缓存的输入数据(27)的每一段进行神经形态计算；至少一个脉冲数据路由单元(23)，用于接收所述神经元计算单元(22)将所述输入数据(27)的每一段全部计算完成后的脉冲数据构成脉冲数据包，并路由该脉冲数据包至下一级神经元运算核心模块(12)；至少一个分时复用控制单元(19)，用于检测所述神经元计算单元(22)的运行状态并且采取分时复用的策略以控制所述神经元计算单元(22)；级联的最后一级神经元运算核心模块(12)中所述神经元计算单元(22)将所述输入数据(27)的每一段全部计算完成后输出脉冲数据作为所述神经形态处理器的输出信号；所述量化参数控制模块(10)用于在所述神经形态处理器运行阶段直接从神经形态处理器外部读取当前突触类型，并根据所读取的突触类型从所述数据缓存单元(18)读取该突触类型对应的所述神经元配置参数(14)的权值以配置所述神经元计算单元(22)。...

【技术特征摘要】
1.一种基于分段复用和参数量化共享的神经形态处理器，其特征在于，包括同步复位模块(5)、量化参数控制模块(10)和级联的多个神经元运算核心模块(12)：所述同步复位模块(5)用于全局复位所述神经形态处理器；所述神经元运算核心模块(12)包括：至少一个数据缓存单元(18)，所述数据缓存单元(18)包括参数缓冲单元(26)和输入缓冲单元(25)，所述参数缓冲单元(26)用于缓存神经元配置参数(14)并分段缓存突触类型(28)，所述输入缓冲单元(25)用于分段缓存输入数据(27)，其中级联的第一级神经元运算核心模块(12)的输入数据(27)为所述神经形态处理器的输入脉冲数据，其余神经元运算核心模块(12)的输入数据(27)为上一级神经元运算核心模块(12)输出的脉冲数据包；至少一个神经元计算单元(22)，用于对所述输入缓冲单元(25)缓存的输入数据(27)的每一段进行神经形态计算；至少一个脉冲数据路由单元(23)，用于接收所述神经元计算单元(22)将所述输入数据(27)的每一段全部计算完成后的脉冲数据构成脉冲数据包，并路由该脉冲数据包至下一级神经元运算核心模块(12)；至少一个分时复用控制单元(19)，用于检测所述神经元计算单元(22)的运行状态并且采取分时复用的策略以控制所述神经元计算单元(22)；级联的最后一级神经元运算核心模块(12)中所述神经元计算单元(22)将所述输入数据(27)的每一段全部计算完成后输出脉冲数据作为所述神经...

【专利技术属性】
技术研发人员：胡绍刚，刘夏恺，张成明，乔冠超，刘洋，于奇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51