基于时间复用的神经网络预测器及其适用的电子设备制造技术

本申请提供一种基于时间复用的神经网络预测器、神经网络芯片、非易失处理器、能量管理系统及其适用的电子设备及装置，所述神经网络预测器的神经网络模块基于接收的至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；其时序控制模块用于控制所述神经网络模块预测计算的时序。本申请通过一个神经网络预测器的硬件架构在不同时间段内实现多种预测计算，藉此达到节省硬件成本和面积的目的。

Neural Network Predictor Based on Time Reuse and Its Applicable Electronic Equipment

This application provides a neural network predictor based on time multiplexing, a neural network chip, a non-volatile processor, an energy management system and applicable electronic devices and devices. The neural network module of the neural network predictor predicts and calculates based on at least one information of the received power supply information, storage information and power cut information, and outputs the prediction calculation. At least one instruction or/or service quality prediction information in data bit width instruction, start instruction or write strategy instruction; its timing control module is used to control the timing of prediction calculation of the neural network module. This application uses a hardware architecture of a neural network predictor to realize multiple prediction calculations in different time periods, thereby achieving the goal of saving hardware cost and area.

【技术实现步骤摘要】
基于时间复用的神经网络预测器及其适用的电子设备
本申请涉及能量管理
，特别是涉及一种基于时间复用的神经网络预测器、神经网络芯片、非易失处理器、能量管理系统及其适用的电子设备及装置。
技术介绍
物联网设备及无线通信技术的快速发展，使得例如高性能、小体积的可穿戴设备或可植入设备得到了突飞猛进的发展，高性能的需求意味着系统能耗的提升，而目前电池的发展速度已经远远落后于能耗需求的增加，并且电池供电依然存在体积重量大和维护费用昂贵的问题。为此，可穿戴设备或可植入设备通常会通过采集外界能量实现自供能，然而，自供能存在着能量有限，变化剧烈以及难以预测的缺陷，因此，物联网节点需要通过合理存储和利用有限的采集能量，并根据不同负载的能量需求进行合理的能量管理，使得能量利用效率最优化。物联网节点中，除了处理器内部的信号处理和控制操作外，还存在处理器与周边设备进行数据通信和信息交互的操作，比如传感器信息从传感器读回到处理器中，存储器芯片中数据的写入和读出，以及数据通过射频单元进行发送接收等。这些都会造成处理器对电能有很高的需求。在自供能系统中，每次原子操作都必须要保证在足够的能量下才能完成。因此，系统的能量管理装置需要能够提供此类支持。为此，科学合理的能源管理则显得尤为重要。
技术实现思路
鉴于以上所述现有相关的缺点，本申请的目的在于提供一种基于时间复用的神经网络预测器、神经网络芯片、非易失处理器、能量管理系统及其适用的电子设备及装置，以利用低成本的方式进行能源管理。为实现上述目的及其他相关目的，本申请的第一方面提供一种基于时间复用的神经网络预测器，所述神经网络预测器包括神经网络模块及时序控制模块；其中，所述神经网络模块基于接收的至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；以及时序控制模块用于控制所述神经网络模块基于接收的所述至少一种信息输出所述至少一种指令或/及服务质量预测信息的预测计算的时序。本申请的第二方面提供一种神经网络芯片，包括上述第一方面所述的基于时间复用的神经网络预测器。本申请的第三方面提供一种电子装置，，包括上述第一方面所述的基于时间复用的神经网络预测器。本申请的第四方面提供一种电子设备，包括特用于提取所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息的征提取模块，上述第一方面所述的基于时间复用的神经网络预测器，以及依据所述神经网络预测器输出的数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息对运算操作进行能量管理的执行模块。本申请的第五方面提供一种非易失处理器，包括上述第一方面所述的基于时间复用的神经网络预测器，以及依据所述神经网络预测器输出的数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息对运算操作进行能量管理的执行模块。本申请的第六方面提供一种能量管理系统，应用于具有处理器的电子设备中，包括上述第一方面所述的基于时间复用的神经网络预测器，以及依据所述神经网络预测器输出的数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息对运算操作进行能量管理的执行模块。如上所述，本申请通过预测未来的电能输入或断电时刻获得数据传输位宽或数据写入策略以及启动运算的时机，进而可以确保处理器的运算与其获得的预期能量相匹配，并根据写策略动态调整非易失性元素的保留时间与电能情况相匹配，并且将服务质量与预先请求的最低服务质量相匹配；本申请通过一个神经网络预测器的硬件架构在不同时间段内实现多种预测计算，换言之，本申请利用不同的时间段实现多个小规模的神经网络的预测计算，藉此达到节省硬件成本和面积的目的。附图说明图1显示为本申请的神经网络预测器在一实施例中的框架示意图。图2显示为本申请在一实施例中特征提取模块的电路框图。图3显示为本申请神经网络预测器在一实施例中一种神经网络示意图。图4显示为本申请神经网络预测器在一实施例中另一种神经网络示意图。图5显示为本申请中的神经网络模块在一实施例中的硬件架构示意图图6显示为本申请中的神经网络预测器在另一实施例中的硬件架构示意图图7显示为本申请中的神经网络预测器在再一实施例中的硬件架构示意图。图8显示为本申请中神经网络模块被配置为具有多种预测器的功能模块示意图。图9显示为本申请中在一实施例中上电周期的预测计算时序的流程图。图10显示为本申请中在一实施例中断电周期的预测计算时序的流程图。图11显示为本申请在一实施例中写策略的写入电流和写入脉冲宽度的关系示意图。图12显示为本申请的神经网络芯片的结构示意图。图13显示为本申请所述非易失处理器在一实施例中的架构示意图。图14显示为本申请所述非易失处理器在另一实施例中的架构示意图。图15显示为本申请的电子设备在一实施例中的示意图。图16显示为本申请的电子设备在另一实施例中的示意图。图17显示为本申请能量管理系统在一实施例中的架构示意图。图18显示为本申请能量管理系统在另一实施例中的架构示意图。图19显示为本申请在一实施例中近似计算架构示意图。图20显示为本申请在一实施例中的写操作电路示意图。具体实施方式以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行组成以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由本申请的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一阈值可以被称作第二阈值，并且类似地，第二阈值可以被称作第一阈值，而不脱离各种所描述的实施例的范围。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。比如本申请中对“至少一个时刻”则包括一个时刻以及多个时刻的情况。本文中所使用的，引述一列项目中的“至少一个”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c和a-b-c。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。应理解的，所述“指令”在本申请中还可以宽泛地解释成意指指令、数据、信息、信号或其任何组合等。所述“非易失”或“非易失性”均表示为相同的概念，对应的英文为本文档来自技高网...

【技术保护点】
1.一种基于时间复用的神经网络预测器，其特征在于，包括：神经网络模块，基于接收的至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；以及时序控制模块，用于控制所述神经网络模块基于接收的所述至少一种信息输出所述至少一种指令或/及服务质量预测信息的预测计算的时序。

【技术特征摘要】
1.一种基于时间复用的神经网络预测器，其特征在于，包括：神经网络模块，基于接收的至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息进行预测计算，输出数据位宽指令、启动指令或写策略指令中的至少一种指令或/及服务质量预测信息；以及时序控制模块，用于控制所述神经网络模块基于接收的所述至少一种信息输出所述至少一种指令或/及服务质量预测信息的预测计算的时序。2.根据权利要求1所述的基于时间复用的神经网络预测器，其特征在于，所述神经网络模块基于接收的所述电子设备至少一个时刻的供电信息、储电信息、以及断电信息中的至少一种信息在一个预测计算过程中进行以下一种预测计算：基于接收的所述供电信息进行预测计算获得所述电子设备的未来通电时间及通电置信度；基于接收的所述未来通电时间、通电置信度、储电信息进行预测计算获得数据位宽指令及启动阈值；基于接收的所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息；基于接收的所述断电信息进行预测计算所述电子设备的未来断电时间及断电置信度；基于接收的所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度。3.根据权利要求2所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块用于控制所述神经网络模块在一个上电周期基于接收的供电信息和储电信息中的至少一种信息进行预测计算并输出数据位宽指令及启动指令中的至少一种指令或/及服务质量预测信息。4.根据权利要求3所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块控制所述神经网络模块在一个上电周期进行预测计算时序为：令所述神经网络模块基于接收的所述供电信息进行预测计算获得所述电子设备的未来通电时间及通电置信度；令所述神经网络模块基于接收的所述未来通电时间、通电置信度、储电信息进行预测计算获得数据位宽指令及启动指令；以及令所述神经网络模块基于接收的所述数据位宽指令及断电信息进行预测计算获得服务质量预测信息。5.根据权利要求4所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块还用于控制所述神经网络模块在一个上电周期内更新所述断电信息。6.根据权利要求2所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块用于控制所述神经网络模块在一个断电周期基于接收的断电信息进行预测计算并输出写策略指令。7.根据权利要求6所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块，用于控制所述神经网络模块在一个断电周期进行预测计算的时序为：令所述神经网络模块基于接收的所述断电信息进行预测计算所述电子设备的未来断电时间及断电置信度；以及令所述神经网络模块基于接收的所述未来断电时间及断电置信度进行预测计算获得写策略指令及写策略置信度。8.根据权利要求7所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块还用于控制所述神经网络模块在一个断电周期内更新所述供电信息。9.根据权利要求1所述的基于时间复用的神经网络预测器，其特征在于，所述神经网络模块为前馈神经网络模块，包括：神经网络单元，包括神经元寄存器、存储有多个权值的权值寄存器、多个选择器及乘法累加单元；以及单次预测状态机，用于控制所述神经网络单元接收到所述至少一种信息进行单次预测计算的时序。10.根据权利要求9所述的基于时间复用的神经网络预测器，其特征在于，所述权值寄存器包括用于存储权值的非易失存储单元。11.根据权利要求9所述的基于时间复用的神经网络预测器，其特征在于，所述单次预测状态机包括用于存储单次预测计算的时序控制程序的非易失移位单元或非易失存储单元。12.根据权利要求1所述的基于时间复用的神经网络预测器，其特征在于，还包括非易失移位单元或非易失存储单元，用于将接收的所述电子设备一个或多个时刻的断电信息、存储信息及断电信息中的至少一种信息予以存储。13.根据权利要求1所述的基于时间复用的神经网络预测器，其特征在于，所述时序控制模块包括用于存储时序控制程序的非易失...

【专利技术属性】
技术研发人员：马恺声，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11