[发明专利]基于FD-SOI工艺的二值化卷积神经网络内存内计算加速器

说明书

本发明属于神经网络技术领域，涉及一种基于FD‑SOI工艺的二值化卷积神经网络内存内计算加速器。本发明是利用FD‑SOI‑MOSFET的背栅电压对其阈值电压的调整来实现对数据的异或处理。将卷积神经网络的卷积核参数进行“一维化”处理并存储在存储器中，利用FD‑SOI‑MOSFET对卷积核进行异或操作实现卷积核对神经网络的卷积过程。在采用内存内计算的前提下，相比于传统的卷积过程，运用异或操作完成卷积过程在保持高精度的同时，极大地提高了对神经网络的卷积处理速度、节约了神经网络参数的存储空间、数据传输以及降低了运算功耗。

技术领域

本发明属于神经网络技术领域，涉及一种基于FD-SOI工艺的二值化卷积神经网络内存内计算加速器。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种常见的深度学习架构，受生物自然视觉认知机制(动物视觉皮层细胞负责检测光学信号)启发而来，是一种特殊的多层前馈神经网络。它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。CNN的主要组成为卷积层(Convolutional Lyer)、池化层(PoolingLayer)和全连接层(Full Connection Layer)，卷积层的卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。传统的二值化卷积神经网络是将权值和隐藏层激活值二值化1或-1，通过二值化，使神经网络的参数占用更小的存储空间。

半导体工艺发展到22纳米时，为了满足性能、成本和功耗要求，延伸出了FinFET和FD-SOI两种工艺技术。FD-SOI是一种平面工艺技术，因为此前一直没有形成完整的产业形态，所以应用范围相对较窄。不过FD-SOI工艺近年来越来越受业界关注，其生态系统已经逐渐成型，其技术优势和应用前景也越发被看好。

传统的数据存储在磁盘中，进行运算时需要将数据提取到内存中，此过程需要大量的I/O连接。而采用内存内计算，则可以将计算过程发送到数据本地执行，极大地提升了运算速度、节约了存储面积、数据传输以及降低了运算功耗。

目前还没有一种基于FD-SOI工艺实现数据的异或处理来提升CNN卷积速度的电路。

发明内容

针对上述问题，本发明提出了一种自主学习脉冲神经网络权值量化方法。

本发明的技术方案为：

本发明提供了一种基于FD-SOI工艺的二值化卷积神经网络内存内计算加速器。所述技术方案如下：

一种基于FD-SOI工艺的二值化卷积神经网络内存内计算加速器，包括：

存储卷积神经网络卷积核参数并对输入数据完成卷积处理的内存内计算模块；

存储卷积神经网络输入数据且带有移位功能的移位寄存器模块；

对移位寄存器模块和内存内计算模块逻辑控制的控制器模块；

将内存内计算模块的计算结果转换为传统卷积计算结果的检测转换模块；

将不同的卷积核卷积的结果按权相加的归一化模块；

给神经网络加入非线性因素的激活函数模块。

进一步的，所述内存内计算模块由SRAM模块、输入及反相输入模块和预充电模块等构建而成；

所述SRAM模块，是采用6个MOSFET构建且能存储一位数据的模块，两个P型MOSFET和两个N型MOSFET构成两个CMOS反相器并将其首尾相连，此结构可用于存储一位数据，在两个反相器的输出端各连接一个FD-SOI-MOSFET，其背栅信号分别连接输入信号和该输入信号的反相信号，由于FD-SOI-MOSFET背栅信号对其阈值电压有调整作用，利用此调整作用可完成输入信号与存储信号的与非操作；