一种基于AI芯片的任务处理方法和装置制造方法及图纸

本发明专利技术实施例提供了一种基于AI芯片的任务处理方法和装置，所述方法包括：构建脉冲神经网络模型；采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；接收任务请求，并确定所述任务请求的任务类型；根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。通过本发明专利技术实施例，实现了在AI芯片中调用优化后的脉冲神经网络模型进行任务处理，且通过对脉冲神经网络模型中括脉冲触发阈值和膜电位进行优化，提升了模型处理效率。提升了模型处理效率。提升了模型处理效率。

【技术实现步骤摘要】
一种基于AI芯片的任务处理方法和装置


[0001]本专利技术涉及人工智能
，特别是涉及一种基于AI芯片的任务处理方法和装置。

技术介绍

[0002]随着人工智能(Artificial Inteligence，AI)的热潮席卷各行各业，作为人工智能核心的AI芯片变得炙手可热，它是所有智能设备必不可少的核心器件，专门用于处理AI相关的计算任务。然而，随着计算需求量和计算复杂度的提升，现有的AI芯片的处理效率逐渐难以适应。

技术实现思路

[0003]鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种基于AI芯片的任务处理方法和装置，包括：
[0004]一种基于AI芯片的任务处理方法，所述方法包括：
[0005]构建脉冲神经网络模型；
[0006]采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；
[0007]接收任务请求，并确定所述任务请求的任务类型；
[0008]根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。
[0009]可选地，所述采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化，包括：
[0010]采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，并采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位。
[0011]可选地，所述采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，包括：
[0012]获取所述脉冲神经网络模型的历史脉冲输入数据；
[0013]采用预置的阈值预测模型，根据所述历史脉冲输入数据，预测脉冲输入突触与脉冲触发阈值之间的关系，并基于所述脉冲输入突触与脉冲触发阈值之间的关系，对所述脉冲神经网络模型中脉冲触发阈值进行优化。
[0014]可选地，所述采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位，包括：
[0015]获取所述脉冲神经网络模型中突触电位的漏电数据；
[0016]采用预置的带泄漏整合发放模型，根据所述漏电数据，对所述脉冲神经网络模型中膜电位进行优化。
[0017]可选地，还包括：
[0018]采用重置方案，对所述脉冲神经网络模型中膜电位进行重置。
[0019]可选地，所述采用重置方案，对所述脉冲神经网络模型中膜电位进行重置，包括：
[0020]将所述脉冲神经网络模型中膜电位重置为恒定值；
[0021]或者，从所述脉冲神经网络模型中膜电位中减除重置值。
[0022]可选地，所述阈值预测模型为基于贝叶斯定理构建的数据模型。
[0023]一种基于AI芯片的任务处理装置，所述装置包括：
[0024]脉冲神经网络模型构建模块，用于构建脉冲神经网络模型；
[0025]参数优化模块，用于采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；
[0026]任务确定模块，用于接收任务请求，并确定所述任务请求的任务类型；
[0027]任务处理模块，用于根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。
[0028]一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于AI芯片的任务处理方法。
[0029]一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的基于AI芯片的任务处理方法。
[0030]本专利技术实施例具有以下优点：
[0031]在本专利技术实施例中，通过构建脉冲神经网络模型，采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化，接收任务请求，并确定所述任务请求的任务类型，根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果，实现了在AI芯片中调用优化后的脉冲神经网络模型进行任务处理，且通过对脉冲神经网络模型中括脉冲触发阈值和膜电位进行优化，提升了模型处理效率。
附图说明
[0032]为了更清楚地说明本专利技术的技术方案，下面将对本专利技术的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术一实施例提供的一种基于AI芯片的任务处理方法的步骤流程图；
[0034]图2是本专利技术一实施例提供的一种脉冲神经网络模型的示意图；
[0035]图3是本专利技术一实施例提供的另一种基于AI芯片的任务处理方法的步骤流程图；
[0036]图4是本专利技术一实施例提供的另一种基于AI芯片的任务处理方法的步骤流程图；
[0037]图5是本专利技术一实施例提供的另一种基于AI芯片的任务处理方法的步骤流程图；
[0038]图6是本专利技术一实施例提供的一种基于AI芯片的任务处理装置的结构框图。
具体实施方式
[0039]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实
施方式对本专利技术作进一步详细的说明。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]在生物大脑中，生物神经元以脉冲的形式将信息传递到下一个神经元层。每当神经元发出脉冲信号时，脉冲信号就会传输到所连接的神经元进行处理，这时仅有突触连接时延，信息编码极其高效。在生物大脑中，采用高度非线性地工作，在大约870亿个神经元中，每个神经元在外部和内部都与其他神经细胞有多达10000个连接，在内部承载着数十万个协调的并行过程(由数百万个蛋白质和核酸分子介导)。
[0041]与当今最先进的系统相比，模仿大脑结构的芯片具有更高的效率和更低的功耗，模拟这类大脑行为的神经网络常被称为神经形态网络，其代表则为脉冲神经网络(SNN，Spiking Neural Network)。这种被称为第三代神经网络的出现，就是为了弥合神经科学与机器学习之间的鸿沟，便用生物学上逼真的神经元模型进行信息编码和计算，以充分利用神经网络的效率。
[0042]其中，脉冲神经网络包含具有时序动力学特性的神经元节点、稳态
‑
可塑性平衡的突触结构、功能特异性的网络环路等，高度借鉴了生物启发的局部非监督(如脉冲时序依赖可塑性、短时突触可塑性、局部稳态调节等)、全局弱监督(如多巴胺奖赏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI芯片的任务处理方法，其特征在于，所述方法包括：构建脉冲神经网络模型；采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；接收任务请求，并确定所述任务请求的任务类型；根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。2.根据权利要求1所述的方法，其特征在于，所述采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化，包括：采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，并采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位。3.根据权利要求2所述的方法，其特征在于，所述采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，包括：获取所述脉冲神经网络模型的历史脉冲输入数据；采用预置的阈值预测模型，根据所述历史脉冲输入数据，预测脉冲输入突触与脉冲触发阈值之间的关系，并基于所述脉冲输入突触与脉冲触发阈值之间的关系，对所述脉冲神经网络模型中脉冲触发阈值进行优化。4.根据权利要求2或3所述的方法，其特征在于，所述采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位，包括：获取所述脉冲神经网络模型中突触电位的漏电数据；采用预置的带泄漏整合发放模型，根据所述漏电数据，对所述脉冲神经网络模型中膜电位进行优化。5...

【专利技术属性】
技术研发人员：葛康康，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：