【技术实现步骤摘要】
本申请涉及忆阻器交叉阵列建模，特别涉及一种基于神经网络的忆阻器交叉阵列建模方法及装置。
技术介绍
1、随着深度学习技术的发展，人工智能在产业和科研领域具有广阔的前景，而算力支持则是发展和研究人工智能的必要因素。受到传统芯片冯·诺依曼架构的限制，人工智能芯片的功耗问题日益显著，高能效高算力芯片也成为了制约人工智能的瓶颈之一。而基于忆阻器的存算一体架构芯片有望解决这一问题，忆阻器交叉阵列可以实现矩阵向量乘法功能，因而可以在其上部署神经网络。目前忆阻器相关的工艺、器件、电路、架构等都取得了充分的研究进展。
2、然而，由于忆阻器交叉阵列执行的是模拟计算，有别于现代计算机的二进制数字计算，使得其运算结果存在精度问题，且其器件和电路存在的非理想效应，进一步增加了计算过程中的噪声，使得神经网络在片上的推理精度受到很大程度的限制。
3、目前，基于线性拟合的建模方法通过从忆阻器交叉阵列的矩阵向量乘法计算数据中提取线性回归的斜率和截距。忆阻器交叉阵列的矩阵乘法计算数据包括输入向量x、输入矩阵w和输出向量y，根据上述数据提取出线性模型中的参数(即斜率k和截距b，其中，表示元素乘法)，并用该模型预测任意输入组合对应的阵列输出。然而，基于线性拟合的原理，该方法实际上预设了参数k和b的取值与输入向量x、输入矩阵w无关。在实际执行过程中，忆阻器交叉阵列中的各类影响计算精度的非理想因素，如电压降、漏电流问题等，其具体数值均与输入向量和输入矩阵密切相关，即是说，参数k和b并非是与x、w无关的常量，而是x、w的函数，线性拟合方法忽略了这一点
4、综上所述，现有线性拟合方法无法处理斜率和截距b随输入向量x、输入矩阵w变化的情况，且由于忆阻器交叉阵列上的非理想特性较为复杂，难以直接从理论上推导出相应参数间的函数关系，使得线性拟合的建模方法存在较大误差，亟待解决。
技术实现思路
1、本申请提供一种基于神经网络的忆阻器交叉阵列建模方法及装置，以解决现有线性拟合方法无法处理相关参数的变化情况，且由于忆阻器交叉阵列上的非理想特性较为复杂，难以直接从理论上推导出相应参数间的函数关系等问题。
2、本申请第一方面实施例提供一种基于神经网络的忆阻器交叉阵列建模方法，包括以下步骤：确定目标忆阻器交叉阵列的阵列位置、阵列大小以及预设的模数转换器的积分时间，且基于所述阵列位置、所述阵列大小和所述积分时间，生成所述目标忆阻器交叉阵列的输入矩阵、输入向量和实际输出向量，并根据所述输入矩阵、所述输入向量和所述实际输出向量构建训练数据集；基于预设的全连接层、整流线性单元和所述模数转换器，构建忆阻器交叉阵列模型；利用所述训练数据集训练所述忆阻器交叉阵列模型，生成所述目标忆阻器交叉阵列的截距参数向量和斜率参数向量，并确定所述输入矩阵和所述输入向量与截距参数和斜率参数之间的函数关系，得到忆阻器交叉阵列建模结果。
3、可选地，在本申请的一个实施例中，所述基于所述阵列位置、所述阵列大小和所述积分时间，生成所述目标忆阻器交叉阵列的输入矩阵、输入向量和实际输出向量，包括：根据所述阵列位置和所述阵列大小生成所述输入矩阵和所述输入向量；将所述输入矩阵映射至所述目标忆阻器交叉阵列的电导中，同时将所述输入向量输入至所述目标忆阻器交叉阵列的向量输入端；基于所述积分时间、所述输入矩阵和所述输入向量，执行预设矩阵向量乘法操作，得到所述目标忆阻器交叉阵列的实际输出向量。
4、可选地，在本申请的一个实施例中，所述基于预设的全连接层、整流线性单元和模数转换器，构建忆阻器交叉阵列模型，包括：通过多个全连接层和多个整流线性单元，构建忆阻器交叉阵列网络；基于所述忆阻器交叉阵列网络，结合所述模数转换器，生成所述忆阻器交叉阵列模型。
5、可选地，在本申请的一个实施例中，所述生成所述目标忆阻器交叉阵列的截距参数向量和斜率参数向量，并确定所述输入矩阵和所述输入向量与截距参数和斜率参数之间的函数关系，包括：对所述训练数据集中每个输入矩阵和每个输入向量执行预设矩阵向量乘法操作，得到矩阵向量乘法结果；基于所述每个输入矩阵、所述每个输入向量和所述忆阻器交叉阵列网络，生成所述截距参数向量和所述斜率参数向量；基于所述截距参数向量、所述斜率参数向量和所述矩阵向量乘法结果，利用所述模数转换器计算输出向量预测值；根据所述输出向量预测值确定所述目标忆阻器交叉阵列的所述输入矩阵和所述输入向量与所述截距参数和所述斜率参数之间的函数关系。
6、本申请第二方面实施例提供一种基于神经网络的忆阻器交叉阵列建模装置，包括：第一确定模块，用于确定目标忆阻器交叉阵列的阵列位置、阵列大小以及预设的模数转换器的积分时间，且基于所述阵列位置、所述阵列大小和所述积分时间，生成所述目标忆阻器交叉阵列的输入矩阵、输入向量和实际输出向量，并根据所述输入矩阵、所述输入向量和所述实际输出向量构建训练数据集；建模模块，用于基于预设的全连接层、整流线性单元和所述模数转换器，构建忆阻器交叉阵列模型；第二确定模块，用于利用所述训练数据集训练所述忆阻器交叉阵列模型，生成所述目标忆阻器交叉阵列的截距参数向量和斜率参数向量，并确定所述输入矩阵和所述输入向量与截距参数和斜率参数之间的函数关系，得到忆阻器交叉阵列建模结果。
7、可选地，在本申请的一个实施例中，所述第一确定模块包括：第一生成单元，用于根据所述阵列位置和所述阵列大小生成所述输入矩阵和所述输入向量；部署单元，用于将所述输入矩阵映射至所述目标忆阻器交叉阵列的电导中，同时将所述输入向量输入至所述目标忆阻器交叉阵列的向量输入端；执行单元，用于基于所述积分时间、所述输入矩阵和所述输入向量，执行预设矩阵向量乘法操作，得到所述目标忆阻器交叉阵列的实际输出向量。
8、可选地，在本申请的一个实施例中，所述建模模块包括：构建单元，用于通过多个全连接层和多个整流线性单元，构建忆阻器交叉阵列网络；第二生成单元，用于基于所述忆阻器交叉阵列网络，结合所述模数转换器，生成所述忆阻器交叉阵列模型。
9、可选地，在本申请的一个实施例中，所述第二确定模块包括：第一计算单元，用于对所述训练数据集中每个输入矩阵和每个输入向量执行预设矩阵向量乘法操作，得到矩阵向量乘法结果；第三生成单元，用于基于所述每个输入矩阵、所述每个输入向量和所述忆阻器交叉阵列网络，生成所述截距参数向量和所述斜率参数向量；第二计算单元，用于基于所述截距参数向量、所述斜率参数向量和所述矩阵向量乘法结果，利用所述模数转换器计算输出向量预测值；结果单元，用于根据所述输出向量预测值确定所述目标忆阻器交叉阵列的所述输入矩阵和所述输入向量与所述截距参数和所述斜率参数之间的函数关系。
10、本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于神经网络的忆阻器交叉阵列建模方法。
11、本申请第四方面实施例提供一种计本文档来自技高网...
【技术保护点】
1.一种基于神经网络的忆阻器交叉阵列建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于所述阵列位置、所述阵列大小和所述积分时间，生成所述目标忆阻器交叉阵列的输入矩阵、输入向量和实际输出向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预设的全连接层、整流线性单元和模数转换器，构建忆阻器交叉阵列模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述生成所述目标忆阻器交叉阵列的截距参数向量和斜率参数向量，并确定所述输入矩阵和所述输入向量与截距参数和斜率参数之间的函数关系，包括：
5.一种基于神经网络的忆阻器交叉阵列建模装置，其特征在于，包括：
6.根据权利要求5所述的装置，其特征在于，所述第一确定模块包括：
7.根据权利要求6所述的装置，其特征在于，所述建模模块包括：
8.根据权利要求7所述的装置，其特征在于，所述第二确定模块包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的基于神经网络的忆阻器交叉阵列建模方法。
...【技术特征摘要】
1.一种基于神经网络的忆阻器交叉阵列建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于所述阵列位置、所述阵列大小和所述积分时间，生成所述目标忆阻器交叉阵列的输入矩阵、输入向量和实际输出向量，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于预设的全连接层、整流线性单元和模数转换器，构建忆阻器交叉阵列模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述生成所述目标忆阻器交叉阵列的截距参数向量和斜率参数向量，并确定所述输入矩阵和所述输入向量与截距参数和斜率参数之间的函数关系，包括：
5.一种基于神经网络的忆阻器交叉阵列建模装置，其特...
【专利技术属性】
技术研发人员：张清天，孙昊，高滨，唐建石，钱鹤，吴华强，
申请(专利权)人：清华大学，
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。