基于忆阻器的存算一体的计算单元、阵列电路与控制方法技术

本发明专利技术提供一种基于忆阻器的存算一体的计算单元、阵列电路与控制方法，计算单元的第一MOS管的漏极与第一电压输入信号连接，第二MOS管的源极与第二电压输入信号连接；第一MOS管的栅极、第二MOS管的栅极与控制电压信号共同连接；第一MOS管的源极与第一忆阻器的一端连接，第二MOS管的漏极与第二忆阻器的一端连接；第一忆阻器的另一端、第二忆阻器的另一端与第四MOS管的栅极共同连接；第四MOS管的漏极与第三MOS管的源极连接，第四MOS管的源极与第五MOS管的漏极连接，第五MOS管的源极接地，第三MOS管的漏极作为电流输出端，可以提高电路输出电流的精确性，并且在硬件上实现神经网络的剪枝功能。的剪枝功能。的剪枝功能。

【技术实现步骤摘要】
基于忆阻器的存算一体的计算单元、阵列电路与控制方法


[0001]本专利技术涉及集成电路
，尤其涉及一种基于忆阻器的存算一体的计算单元、阵列电路与控制方法。

技术介绍

[0002]冯诺依曼体系机构是计算机的经典结构，其运行原理是当需要计算时，数据首先存储在储存单元中，再通过指令将储存单元的数据搬运到逻辑单元，在逻辑单元中完成计算后，再将运算结果存入储存单元中。但随着深度学习任务的数据量越来越庞大，使用传统冯诺伊曼架构会频繁读写内存，处理器频繁访问存储器的开销就形成了内存墙。而存算一体就是为了解决内存墙问题而提出的方案，存算一体的基本思路就是把计算和存储合二为一，从而实现减少处理器访问存储器的频率。
[0003]存算一体电路可以用于神经网络当中的乘加操作，对于神经网络来说，在神经网络模型中存在大量的冗余神经元与权重，参与主要计算并对最终结果产生影响的权重只占总数的5
‑
10％，因此对神经网络剪枝的研究尤为重要。神经网络剪枝不仅能够从大型网络中筛选出不重要的神经元以及权重并进行删除，达到压缩网络的目的，还能尽可能地保留本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于忆阻器的存算一体的计算单元，其特征在于，所述计算单元用于执行神经网络中的卷积运算，所述计算单元包括第一MOS管、第二MOS管、第三MOS管、第四MOS管、第五MOS管、第一忆阻器和第二忆阻器；其中，所述第一MOS管的漏极/源级与第一电压输入信号连接，所述第二MOS管的源极/漏级与第二电压输入信号连接；所述第一MOS管的栅极、所述第二MOS管的栅极与控制电压信号共同连接；所述第一MOS管的源极/漏级与所述第一忆阻器的一端连接，所述第二MOS管的漏极/源级与所述第二忆阻器的一端连接；所述第一忆阻器的另一端、所述第二忆阻器的另一端与所述第四MOS管的栅极共同连接；所述第四MOS管的漏极与所述第三MOS管的源极连接，所述第四MOS管的源极与所述第五MOS管的漏极/源级连接；所述第五MOS管的栅极接第一偏置电压，所述第五MOS管的源极/漏级接地；所述第三MOS管的栅极接第二偏置电压，所述第三MOS管的漏极作为电流输出端。2.一种阵列电路，其特征在于，包括：多个呈阵列排列的如权利要求1所述的基于忆阻器的存算一体的计算单元；各计算单元的第一偏置电压相同，各计算单元的第二偏置电压相同，处于同一行的各计算单元的第一电压输入信号相同，处于同一行的各计算单元的第二电压输入信号相同，处于同一列的各计算单元的电流输出端共同连接。3.根据权利要求2所述的阵列电路，其特征在于，所述处于同一列的各计算单元的控制电压信号相同。4.一种基于权利要求2或3所述的阵列电路的控制方法，其特征在于，包括：确定所述阵列电路中各计算单元的控制电压信号；基于所述各计算单元的控制电压信号，控制所述各计算单元的第一MOS管和第二MOS管的通断，以控制所述各计算单元的工作状态。5.根据权利要求4所述的控制...

【专利技术属性】
技术研发人员：高润雄，贾嵩，段杰斌，
申请(专利权)人：北京大学，
类型：发明
国别省市：