[发明专利]一种基于参数量化共享的神经形态处理器

说明书

本发明涉及神经形态硬件技术领域，尤其涉及一种参数量化共享的神经形态处理器。本发明的处理器在现有的神经形态处理器架构中引入了参数量化共享结构，具体为通过量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部(外部存储、外部上位机等)读取所述量化参数并写入量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部(外部存储、外部上位机等)读取当前突触类型，并根据所读取的突触类型从量化参数存储模块读取该突触类型对应的量化参数以配置所述神经元计算模块。从而有效地节约处理器的存储空间、大幅度地缩小处理器面积、极大地提高处理器计算效率、降低计算功耗。

技术领域

本发明涉及神经形态硬件技术领域，尤其涉及一种参数量化共享的神经形态处理器。

背景技术

Neuromorphic一词最早是在1980年代后期由美国科学家、工程师Carver Mead以neuromorphic processors的形式首先提出。神经形态硬件(neuromorphic hardware)，是通过忆阻器，阈值开关或者模拟的、数字的、模拟/数字混合的超大规模集成电路实现硬件系统来高效地抽象和模拟生物神经系统，以期待在实现类似生物神经系统信息处理能力的基础上，达到低功耗、高适应性等特性。

现有的神经形态硬件需预先存储与需要计算的神经形态网络中的神经元个数相等个数的参数才可以完成该网络的计算操作。一般地，能实现实际功能的神经形态网络至少为两层网络，同时神经形态网络能实现的功能越复杂其规模也越大，这就意味复杂的神经形态网络对应的神经形态硬件需预先消耗大量的片上存储空间来存储该网络的参数。

随着神经形态网络的规模的不断扩展，权值、阈值、突出延迟、不应期等参数数据量越来愈大，而与之对应神经形态硬件的片上存储资源有限的限制下，如何有效地表示和存储神经形态网络的参数将成为实现硬件化的大规模神经形态网络的“瓶颈”。且对于该问题当前还没有行之有效的解决方案。

发明内容

针对现在神经形态处理器需要大量存储空间存储网络参数的问题，本发明提出了一种基于参数量化共享的神经形态处理器，该架构在现有的神经形态处理器架构中引入了参数量化共享结构，从而有效地节约处理器的存储空间、大幅度地缩小处理器面积、极大地提高处理器计算效率、降低计算功耗。

本发明的技术方案如下：

一种基于参数量化共享的神经形态处理器，包括：

至少一个量化参数存储模块，用于存储与该神经形态处理器对应的神经形态网络的量化参数；

至少一个脉冲数据缓存模块，用于缓存输入的脉冲数据；

至少一个神经元计算模块，用于执行神经形态计算；

至少一个量化参数控制模块，用于在神经形态处理器初始化阶段从神经形态处理器外部(外部存储、外部上位机等)读取所述量化参数并写入所述量化参数存储模块，而在神经形态处理器运行阶段直接从神经形态处理器外部(外部存储、外部上位机等)读取当前突触类型，并根据所读取的突触类型从所述量化参数存储模块读取该突触类型对应的所述量化参数以配置所述神经元计算模块；

至少一个分时复用控制模块，用于检测所述神经元计算模块的运行状态并且采取分时复用的策略以控制所述神经元计算模块；

至少一个脉冲数据路由模块，用于接收所述神经元计算模块一次运算结束时产生的脉冲数据包并路由该脉冲数据包。

所述脉冲数据缓存模块用于缓存输入的脉冲数据，所述脉冲数据为频率编码、时间编码的脉冲序列(如泊松分布脉冲序列)。

所述量化参数存储模块用于存储所述量化参数，所述量化参数为与该神经形态处理器对应的神经形态网络的参数经量化后的量化值，所述参数包括突触连接状态、权值、阈值、泄露常数、置位电压、不应期、突触延迟等参数。