一种基于4管存储的存储单元、存储阵列及存内计算装置制造方法及图纸

本发明专利技术涉及一种基于4管存储的存储单元，存储单元包括：第一存储子单元、第二存储子单元、位线BL、位线BLB、字线WL、字线MWL、字线MWLB、位线MBL、第一电容和第二电容；第一存储子单元和第二存储子单元均包括管T1、管T2、管T3、管T4、管T5和管T6；第一存储子单元与第二存储子单元的结构相同；第一存储子单元的电容连接端与第一电容的第一端连接，第二存储子单元的电容连接端与第二电容的第一端连接，第一电容的第二端和第二电容的第二端均与位线MBL连接；第一电容的容量和第二电容的容量不同。本发明专利技术提高了计算精度。

【技术实现步骤摘要】
一种基于4管存储的存储单元、存储阵列及存内计算装置
本专利技术涉及存内计算
，特别是涉及一种基于4管存储的存储单元、存储阵列及存内计算装置。
技术介绍
深度卷积神经网络（DCNNs）继续证明推理精度的提高，深度学习正在向边缘计算转移。这一发展推动了低资源机器学习算法及其加速硬件的工作。DCNNs中最常见的运算是乘法和累加（MAC），它控制着功率和延迟。MAC操作具有很高的规则性和并行性，因此非常适合硬件加速。然而，内存访问量严重限制了传统数字加速器的能源效率。因此，内存计算（IMC）对DCNN加速越来越有吸引力。现在的存算阵列基本都基于六管或者更多管的存储单元，MAC操作分为基于电阻分压器、放电率等的电流域计算和基于电荷共享、电容分压器等的电荷域计算两种。相比而言电荷域计算由于没有静态电流，所以功耗更低。而六管结构面积更大，功耗也更大。
技术实现思路
基于此，本专利技术的目的是提供一种基于4管存储的存储单元、存储阵列及存内计算装置，提高了计算精度。为实现上述目的，本专利技术提供了如下方案：<br>一种基于4管存本文档来自技高网...

【技术保护点】
1.一种基于4管存储的存储单元，其特征在于，所述存储单元包括：第一存储子单元、第二存储子单元、位线BL、位线BLB、字线WL、字线MWL、字线MWLB、位线MBL、第一电容和第二电容；/n所述第一存储子单元和所述第二存储子单元均包括管T1、管T2、管T3、管T4、管T5和管T6；所述第一存储子单元与所述第二存储子单元的结构相同；/n所述管T1的源极和所述管T2的源极均连接VDD电源；所述管T1的栅极分别与所述管T2的漏极、所述管T4的第一极和所述管T6的栅极连接，所述管T2的栅极分别与所述管T1的漏极、所述管T3的第一极和所述管T5的栅极连接，所述管T5的第一极与所述字线MWL连接，所述管T6...

【技术特征摘要】
1.一种基于4管存储的存储单元，其特征在于，所述存储单元包括：第一存储子单元、第二存储子单元、位线BL、位线BLB、字线WL、字线MWL、字线MWLB、位线MBL、第一电容和第二电容；
所述第一存储子单元和所述第二存储子单元均包括管T1、管T2、管T3、管T4、管T5和管T6；所述第一存储子单元与所述第二存储子单元的结构相同；
所述管T1的源极和所述管T2的源极均连接VDD电源；所述管T1的栅极分别与所述管T2的漏极、所述管T4的第一极和所述管T6的栅极连接，所述管T2的栅极分别与所述管T1的漏极、所述管T3的第一极和所述管T5的栅极连接，所述管T5的第一极与所述字线MWL连接，所述管T6的第一极与所述字线MWLB连接；所述管T4的栅极与所述字线WL连接，所述管T3的栅极与所述字线WL连接，所述管T3的第二极与所述位线BL连接，所述管T4的第二极与所述位线BLB连接，所述管T5的第二极和所述管T6的第二极均与电容连接端连接；
所述第一存储子单元的电容连接端与所述第一电容的第一端连接，所述第二存储子单元的电容连接端与所述第二电容的第一端连接，所述第一电容的第二端和所述第二电容的第二端均与所述位线MBL连接；所述第一电容的容量和所述第二电容的容量不同。


2.根据权利要求1所述的基于4管存储的存储单元，其特征在于，所述第一电容的容量是所述第二电容的容量的两倍。


3.一种存储阵列，其特征...

【专利技术属性】
技术研发人员：乔树山，黄茂森，尚德龙，周玉梅，
申请(专利权)人：中科院微电子研究所南京智能技术研究院，
类型：发明
国别省市：江苏;32