[发明专利]神经网络及操作方法、神经网络信息处理系统

说明书

一种基于浮栅场效应管器件的神经网络及其操作方法、神经网络信息处理系统。该神经网络包括至少一层神经网络层，至少一层神经网络层包括至少一层浮栅场效应管阵列，至少一层浮栅场效应管阵列包括n条位线，每层浮栅场效应管阵列包括m条字线和m行×n列的浮栅场效应管。浮栅场效应管每个的阈值电压基于对应的权重参数设置，同一行的n个浮栅场效应管的控制极都连接到同一条字线，n个浮栅场效应管的第一极与n条位线分别对应连接；同一列的m个浮栅场效应管的第一极都连接到同一条位线，m个浮栅场效应管的控制极与m条字线分别对应连接；m，n为大于等于2的整数。该神经网络可以实现大规模神经网络的向量矩阵乘法运算。

技术领域

本公开实施例涉及一种基于浮栅场效应管器件的神经网络及其操作方法、神经网络信息处理系统。

背景技术

在人工智能领域，深度神经网络加速器，因其处理任务的高效率，被认为是未来计算系统的重要组成部分。现有的深度神经网络加速器通常基于SRAM(Static RAM，静态随机存取存储器)结构进行运算，将面临两个关键挑战：一是较低的存储密度无法满足不断增大的神经网络规模，二是来源于片外存储访问机制的能效限制。尽管嵌入式非挥发存储器例如阻变存储器、相变存储器等被提出以应对这两项挑战，但泄漏电流通路效应会限制存储阵列的密度，同时为了抑制泄漏电流通路所集成的选通晶体管会引入电流电压的非线性关系，进而降低了神经网络的计算精度。因此，现在对基于嵌入式非挥发存储器和NOR闪存加速器的研究主要面向小规模神经网络的应用。

发明内容

本公开至少一实施例提供一种基于浮栅场效应管器件的神经网络，包括至少一层神经网络层。所述至少一层神经网络层包括至少一层浮栅场效应管阵列，所述至少一层浮栅场效应管阵列包括n条位线，每层浮栅场效应管阵列包括m条字线和m行×n列的浮栅场效应管，所述浮栅场效应管每个的阈值电压基于对应的权重参数设置，同一行的n个浮栅场效应管的控制极都连接到同一条字线，所述n个浮栅场效应管的第一极与所述n条位线分别对应连接；同一列的m个浮栅场效应管的第一极都连接到同一条位线，所述m个浮栅场效应管的控制极与所述m条字线分别对应连接；m，n为大于等于2的整数。

例如，在本公开一实施例提供的神经网络中，所述至少一层浮栅场效应管阵列还包括m条源线，同一行的所述n个浮栅场效应管的第二极都连接到同一条源线。

例如，在本公开一实施例提供的神经网络中，所述至少一层神经网络层包括至少两层浮栅场效应管阵列，第一层浮栅场效应管阵列中的第i行第j列的浮栅场效应管的第一极与第j条位线连接；第N层浮栅场效应管阵列中的第i行第j列的浮栅场效应管的第二极与第N+1层神经网络层中的第i行第j列的浮栅场效应管的第一极连接；其中，N为大于等于1的整数，0i≤m，0j≤n。

例如，在本公开一实施例提供的神经网络中，所述至少两层浮栅场效应管阵列还包括m条源线，最后一层中同一行的所述n个浮栅场效应管的第二极都连接到同一条源线。

例如，本公开一实施例提供的神经网络，还包括设置于相邻两层神经网络层之间的路由电路，其中，所述路由电路与前一层神经网络层的位线以及后一层神经网络层的字线连接，且配置为将前一层神经网络层的位线输出的电流信号转换为电压输出信号。

例如，在本公开一实施例提供的神经网络中，所述路由电路还配置为将电压输出信号输入至后一层神经网络层的字线。

例如，在本公开一实施例提供的神经网络中，所述路由电路还配置为存储同一层神经网络层包括的不同层浮栅场效应管阵列输出的电流信号并进行相应运算得到该同一层神经网络层的电压输出信号。

例如，本公开一实施例提供的神经网络，还包括驱动电路，所述驱动电路与所述m条字线、n条位线和m条源线连接，且配置为向所述m条字线写入相应的输入电压信号以及向所述m条源线写入相应的固定电压信号，并且在所述n条位线读取相应的输出电流信号。