存算一体存储阵列及其卷积运算方法技术

本发明专利技术提供了一种存算一体存储阵列及其卷积运算方法，通过同步操作同组斜向块，可完成输入矩阵及权重矩阵的卷积运算，且同步得到结果矩阵的每个元素，实现并行运算，从而节省时间和功耗；尽管每一次卷积运算涉及到的存储单元很稀疏，但是通过开关管可控制不需要参与运算的存储单元关闭，不会造成存储单元的浪费，也不会增加功耗。

【技术实现步骤摘要】
存算一体存储阵列及其卷积运算方法
本专利技术涉及集成电路设计
，尤其涉及一种存算一体存储阵列及其卷积运算方法。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork，CNN)是人工智能领域主要用于处理图像数据的一种网络架构。这种网络结构针对图像的特点，在常规的深度神经网络上进行了一些改进，结构主要包括了卷积层(Convolutionallayer)，池化层(poolinglayer)和全连接层(fullyconnectedlayers)。近年来，随着新型存储技术的发展，基于存储阵列的存算一体存储结构逐渐成为优化卷积神经网络运算速度和功耗的一种可行的技术。现在的存算一体存储结构主要利用了存储阵列的矩阵结构，与卷积神经网络中全连接层的结构相似，同时可以利用电学信号进行乘加运算，在实现方式上比较直观。在卷积神经网络中，卷积层也占据了整个网络相当部分的运算量，现有的应用于全连接层的存储矩阵结构与卷积层的运算方式并不完全匹配。图1为卷积运算中每一层的卷积运算示意图，如图1所示，每次运算都会用到一个卷积核(权重本文档来自技高网...

【技术保护点】
1.一种存算一体存储阵列，可用于输入矩阵X与权重矩阵W的卷积运算，所述输入矩阵X具有i行j列，所述权重矩阵W具有n行n列，i＝n＞1，j≤2n-1，其特征在于，至少包括p行q列存储单元，其中，p≥n(2n-1)，q＝n；/n每列中相邻的n个存储单元构成一运算块，所述运算块中的n个存储单元的输出端均连接至同一开关管的一端，所述开关管的另一端作为所述运算块的输出端，同一列运算块的输出端相连后作为该列存储单元的输出端，同一行的存储单元的输入端相连后作为该行存储单元的输入端；/n在行方向上相邻的n个运算块构成一斜向块，所述斜向块中的n个运算块的开关管位于同行且同步开闭，所述斜向块中第k列的运算块与第k...

【技术特征摘要】
1.一种存算一体存储阵列，可用于输入矩阵X与权重矩阵W的卷积运算，所述输入矩阵X具有i行j列，所述权重矩阵W具有n行n列，i＝n＞1，j≤2n-1，其特征在于，至少包括p行q列存储单元，其中，p≥n(2n-1)，q＝n；
每列中相邻的n个存储单元构成一运算块，所述运算块中的n个存储单元的输出端均连接至同一开关管的一端，所述开关管的另一端作为所述运算块的输出端，同一列运算块的输出端相连后作为该列存储单元的输出端，同一行的存储单元的输入端相连后作为该行存储单元的输入端；
在行方向上相邻的n个运算块构成一斜向块，所述斜向块中的n个运算块的开关管位于同行且同步开闭，所述斜向块中第k列的运算块与第k+1列的运算块向下错位一个存储单元，其中，1≤k≤n-1；
在列方向上相隔(2n-1)行的斜向块为同组斜向块，同组斜向块中的开关管同步开闭。


2.如权利要求1所述的存算一体存储阵列，其特征在于，每个所述斜向块具有(2n-1)行存储单元及n列存储单元。


3.如权利要求2所述的存算一体存储阵列，其特征在于，从上至下第m个斜向块中的n个所述运算块的开关管均位于第m·n行，其中m为正整数，且m·n≤p。


4.如权利要求3所述的存算一体存储阵列，其特征在于，第m个斜向块中的n个所述运算块的开关管均由一条控制线控制。

【专利技术属性】
技术研发人员：沈灵，蒋宇，严慧婕，段杰斌，温建新，
申请(专利权)人：上海集成电路研发中心有限公司，上海集成电路装备材料产业创新中心有限公司，
类型：发明
国别省市：上海;31