【技术实现步骤摘要】
利用MRAM实现基于随机计算的贝叶斯神经网络存算一体方法
[0001]本专利技术涉及神经网络
,具体涉及利用非易失性存储器
MRAM
搭建的存内计算架构,适用于随机计算域的贝叶斯神经网络的存算一体方法
。
技术介绍
[0002]如今人工智能等高运算处理环境需要处理的数据量越来越多,而存储器的数据搬运慢
、
搬运能耗大,缓存的大小和密度都很难提升,因此存储器和处理器之间的差距越来越大,导致算力不能充分发挥
。
传统冯诺依曼架构用的是
CMOS
技术,该架构下的“存储墙”问题不断凸显,限制了技术的发展
。
并且目前已经有不同的技术方案,来尝试解决“存储墙”的问题
。
包括
1)
继续优化存储器和处理器的性能;
2)
近存计算,使存储器和处理器距离更近,减少数据搬运的消耗;
3)
存内计算,利用器件的性质,让数据的存储和计算可以在原位同时进行,直接避免数据的搬运
。
[0003]当前新型的主要是用非易失性存储器来构建存内计算架构,常见的有
RRAM,PCM,FeFET and MRAM
等
。
这些目前都已有一些存内计算架构的成果
。
这些器件有各自的特性,适用于不同的应用场景
。
[0004]而对于贝叶斯神经网络来说,相较于传统深度神经网络具有更多的参数量,需要进行更多次的计算,因此贝叶
【技术保护点】
【技术特征摘要】
1.
一种利用
MRAM
实现基于随机计算的贝叶斯神经网络存算一体方法,其特征在于,所述方法适用于随机计算域的贝叶斯神经网络,利用非易失性存储器件
MRAM
设计存算一体架构,实现数据在原位的存储和计算;所述存算一体架构包括等效均值
μ
′
计算阵列和等效标准差
σ
′
计算阵列,所述等效均值
μ
′
计算阵列和等效标准差
σ
′
计算阵列预存有贝叶斯神经网络的权重数据,所述等效均值
μ
′
计算阵列和等效标准差
σ
′
计算阵列利用三极管作为电路的开关信号,表示数据的输入,采用预充电感知放大器
(PCSA)
作为信号读取方式,得出计算结果
。
所述等效均值
μ
′
计算阵列的每一行均单独通过行字线
(RWL)
与行控制器连接,所述的行控制器包括与等效均值
μ
′
计算阵列的每一行单独连接的多个三极管,所述三极管作为电路的开关信号,完成输入数据
xj
的输入;所述等效标准差
σ
′
计算阵列的每一行均单独通过行字线
(RWL)
与行控制器连接,所述的行控制器包括与等效标准差
σ
′
计算阵列的每一行单独连接的多个三极管,所述三极管作为电路的开关信号,完成输入数据
x
j
的输入;所述等效标准差
σ
′
计算阵列的每一列均单独通过列字线
(CWL)
将实时高斯随机数发生器与列控制器连接,所述的列控制器包括与等效标准差
σ
′
计算阵列的每一列单独连接的多个三极管,所述三极管作为电路的开关信号,完成高斯随机数的输入
。2....
【专利技术属性】
技术研发人员:贾小涛,顾慧毅,张有光,赵巍胜,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。