[发明专利]一种类脑计算系统

说明书

本发明涉及一种类脑计算系统，包括算术/逻辑运算和控制单元、类脑协处理单元、存储单元、外部接口以及连接各单元和外部接口的总线；算术/逻辑运算和控制单元，用于对类脑协处理单元进行编程和配置，执行算术运算或逻辑运算，并通过总线控制其它各单元的运行和数据交换；类脑协处理单元，具有人工神经网络处理功能和脉冲神经网络处理功能，用于根据算术/逻辑运算和控制单元的指令执行人工神经网络计算和脉冲神经网络计算，并将计算结果保存到存储单元。本发明能够在处理通用人工智能计算中的不同任务时实现较高的计算效率，通过低延迟的连续执行计算任务实现对任务的实时性相应，同时降低整个系统的计算运行能耗。

技术领域

本发明涉及人工智能计算领域，尤其涉及一种类脑计算系统。

背景技术

自从上世纪四十年代，冯·诺依曼提出采用基于二进制和程序存储的计算机架构以来，计算机依靠电子技术的不断改进和摩尔定律不断微缩发展到今天。依靠顺序执行预定义的代码，通过总线在存储器和处理器间不断调用数据，计算机具有强大的数值处理能力。在此基础上，人们已经开发出各种具有复杂功能的大型软件，广泛用于军事、经济、教育和科研等各个领域，当今世界科技的发展与进步同计算机密不可分。

大数据信息网络和智能移动设备的蓬勃发展，产生了海量非结构化信息，伴生了对这些信息的高效能处理需求的急剧增长。然而，传统冯·诺依曼计算机在处理上述问题时面临两方面的巨大挑战。一方面是其处理器和存储器分离，由于采用总线通信、同步、串行和集中的工作方式，在处理大型复杂问题时不仅能耗高、效率低，而且由于其面向数值计算的特性，使其在处理非形式化问题时软件编程复杂度高，甚至无法实现。另一方面，其主要遵循摩尔微缩定律增加密度、降低成本和提高性能，预计在未来10到15年内微缩将抵达其物理极限，靠物理微缩这一手段难以进一步提高能效，其发展必将受到根本性限制。

因此，2011年国际半导体技术发展指南中指出了解决上述挑战的有效策略之一是借鉴人脑发展的类脑计算技术。拥有1011量级的神经元和1015量级的可塑突触连接、体积仅为2升的人脑具有现有计算机架构无法比拟的并行计算、强鲁棒性、可塑性和容错能力，而其能耗仅为10瓦量级。神经网络由大量神经元构成，虽然单个神经元结构和行为比较简单，但通过一定地学习规则却能呈现出丰富的网络处理功能。这种网络结构不同于传统的计算机处理方式，通过信息的分布式存储和并行协同处理，只需定义基本的学习规则即可模拟出大脑的自适应学习过程，不需明确的编程，处理一些非形式化问题时具有优势。

实现类脑计算技术的方法主要有两种：一种是利用软件算法在现有计算机架构上模拟并行分布式类脑计算神经网络，另一种是用大规模集成模拟、数字或数模混合的电路及软件系统来实现。当前基于CPU+GPU来构建可以执行人工智能任务的计算机结构，如图1所示，CPU、GPU、存储单元以及外部接口均与总线连接，其中GPU价格高昂，同时其需要消耗很高的能量，由于其并非是特定对于神经网络任务进行优化，在处理不同任务时计算效率不一定都能达到很高，计算效率差距可能非常大，这就需要大量算力作为基础才能实现需求的计算能力，导致设备费用和系统运行能耗非常高昂。对于脉冲神经网络等生物启发的人工智能算法，其计算效率很低，因此凭借CPU+GPU的计算结构，由于软件算法实现的类脑计算模型执行载体仍是传统计算机，无法高效的完成人工通用智能的计算任务，其能耗较之人脑的能源效率优化仍有很大差距。而基于硅技术的由神经形态器件实现的类脑计算神经网络能耗较之目前的软件实现办法有显著改善。因此，目前最有效的方法是基于相应硬件进行加速的类脑计算方案。