一种用于脉冲神经网络存内计算的芯片及计算方法技术

本发明专利技术实施例提供一种用于脉冲神经网络存内计算的芯片及计算方法，该芯片包括依次连接的信号输入模块、存内计算模块、信号输出模块；信号输入模块用于将输入的图像像素阵列转换成生物脉冲信号输入至存内计算模块；存内计算模块用于根据预先存储的神经网络突触权重值，对生物脉冲信号进行存内运算，并将输出的位线电流输入至信号输出模块；信号输出模块用于将位线电流转换成识别脉冲信号。本发明专利技术实施例提供的用于脉冲神经网络存内计算的芯片及计算方法，集合类脑计算及存内计算优势，通过集合片上训练、片上存储及片上推理功能，突破了冯诺依曼架构的计算瓶颈，从而实现集存储与计算一体的低功耗计算，实现了输出精度可调，有效的提升了计算性能。

【技术实现步骤摘要】
一种用于脉冲神经网络存内计算的芯片及计算方法
本专利技术涉及计算机
，尤其涉及一种用于脉冲神经网络存内计算的芯片及计算方法。
技术介绍
在人工智能(ArtificialIntelligence，AI)领域，随着深度学习的不断发展，人工智能被广泛的应用到多个领域，在神经网络芯片的设计过程中，芯片的功耗、存储问题成了不可忽视的问题。脉冲神经网络(SpikingNeuralNetwork，SNN)作为第三代神经网络，主要模拟的是神经突触以电脉冲传递信息的编码方式，兼具生物信息处理特性，在实现低功耗方面有着独特的优势。同时，SNN在算法上面的优势使得其可以很方便的实现神经网络的训练，相比于卷积神经网络(ConvolutionalNeuralNetwork，CNN)、深度神经网络(DeepNeuralNetwork，DNN)结构更易于实现芯片的低功耗，且消耗较少的硬件资源。此外，在神经网络芯片设计过程中，存储一直是芯片设计的难点，存内计算(Computing-in-Memory，CIM)架构突破传统冯诺依曼架构的计算思维，采用存储单元进行计本文档来自技高网...

【技术保护点】
1.一种用于脉冲神经网络存内计算的芯片，其特征在于，包括依次连接的信号输入模块、存内计算模块、信号输出模块；/n所述信号输入模块用于将输入的图像像素阵列转换成生物脉冲信号输入至所述存内计算模块；/n所述存内计算模块用于根据预先存储的神经网络突触权重值，对所述生物脉冲信号进行存内运算，并将输出的位线电流输入至所述信号输出模块；/n所述信号输出模块用于将所述位线电流转换成识别脉冲信号。/n

【技术特征摘要】
1.一种用于脉冲神经网络存内计算的芯片，其特征在于，包括依次连接的信号输入模块、存内计算模块、信号输出模块；
所述信号输入模块用于将输入的图像像素阵列转换成生物脉冲信号输入至所述存内计算模块；
所述存内计算模块用于根据预先存储的神经网络突触权重值，对所述生物脉冲信号进行存内运算，并将输出的位线电流输入至所述信号输出模块；
所述信号输出模块用于将所述位线电流转换成识别脉冲信号。


2.根据权利要求1所述的用于脉冲神经网络存内计算的芯片，其特征在于，还包括神经网络突触阵列模块；
所述神经网络突触阵列模块用于根据样本生物脉冲信号，获取所述神经网络突触权重值，并将所述神经网络突触权重值存储至所述存内计算模块；
所述样本生物脉冲信号是由所述信号输入模块对样本图像像素阵列进行处理后获取的。


3.根据权利要求2所述的用于脉冲神经网络存内计算的芯片，其特征在于，所述神经网络突触阵列模块由生物可塑性突触阵列和比较器阵列构成；
每个生物可塑性突触中包含学习算法电路和突触电路，用于根据样本生物脉冲信号获取突触权重；
每个所述生物可塑性突触连接一个比较器，所述比较器用于对所述突触权重进行二值化后存储至所述存内计算模块。


4.根据权利要求1所述的用于脉冲神经网络存内计算的芯片，其特征在于，所述信号输入模块由模数转化器阵列和输入神经元阵列构成；
所述模数转化器阵列用于将所述图像像素阵列转换成电流信号输入至所述输入神经元阵列；
所述输入神经元阵列用于将所述电流信号转换成所述生物脉冲信号。


5.根据权利要求1所述的用于脉冲神经网络存内计算...

【专利技术属性】
技术研发人员：王源，赵照，乔鑫，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11