[发明专利]一种基于分段复用和参数量化共享的神经形态处理器

说明书

一种基于分段复用和参数量化共享的神经形态处理器，属于神经形态硬件技术领域。量化参数控制模块用于在神经形态处理器运行阶段直接从外部读取当前突触类型，并根据所读取的突触类型从配置神经元计算单元；同步复位模块用于全局复位神经形态处理器；神经元运算核心模块用于执行神经形态计算、暂存输入数据和路由运算结果，神经元运算核心模块的输入脉冲数据和突触类型分段进行输入，将每一段计算完成后再输出到下一级神经元运算核心模块，并采用分时复用的方法对每一个神经元运算核心模块进行多次复用。本发明大幅度减少了需要直接存储在神经形态处理器上的数据和处理器面积，极大地提高了处理器计算效率，降低了计算功耗。

技术领域

本发明属于神经形态硬件技术领域，涉及一种基于分段复用和参数量化共享的大规模神经形态处理器、设计方法、芯片。

背景技术

1989年，C.Mead首次提出“神经形态计算”概念。神经形态计算也被称为神经形态工程(neuromorphic hardware)，是对大脑的逆向工程，旨在采用忆阻器、阈值开关或者模拟、数字、数模混合技术构造大脑神经系统基本单元——神经元和突触，并借鉴大脑神经细胞组织方式将神经元与突触组织起来，从而构建大规模神经形态硬件，实现类似生物神经系统的信息处理能力，并尽可能达到低功耗、低资源消耗和高适应性。

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有两层网络，要实现的功能越复杂其规模也越大，用神经形态硬件构筑的复杂神经网络需消耗大量的片上存储空间来存储该网络的各种参数。

随着神经形态网络的规模的不断扩展，配置神经元所用的权值、阈值、突出延迟、不应期等参数的数据量也越来越大，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制约硬件化的大规模神经形态网络的实现的重要因素。

发明内容

针对现有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分段复用和参数共享的大规模神经形态处理器，该架构在现有的神经形态处理器架构中引入了分段复用和参数量化共享结构，从而有效节约处理器的存储空间、大幅度缩小处理器面积、极大提高处理器计算效率、降低运行功耗。

本发明的技术方案为：

一种基于分段复用和参数量化共享的神经形态处理器，包括同步复位模块5、量化参数控制模块10和级联的多个神经元运算核心模块12：

所述同步复位模块5用于全局复位所述神经形态处理器；

所述神经元运算核心模块12包括：

至少一个数据缓存单元18，所述数据缓存单元18包括参数缓冲单元26和输入缓冲单元25，所述参数缓冲单元26用于缓存神经元配置参数14并分段缓存突触类型28，所述输入缓冲单元25用于分段缓存输入数据27，其中级联的第一级神经元运算核心模块12的输入数据27为所述神经形态处理器的输入脉冲数据，其余神经元运算核心模块12的输入数据27为上一级神经元运算核心模块12输出的脉冲数据包；

至少一个神经元计算单元22，用于对所述输入缓冲单元25缓存的输入数据27的每一段进行神经形态计算；

至少一个脉冲数据路由单元23，用于接收所述神经元计算单元22将所述输入数据27的每一段全部计算完成后的脉冲数据构成脉冲数据包，并路由该脉冲数据包至下一级神经元运算核心模块12；

至少一个分时复用控制单元19，用于检测所述神经元计算单元22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单元22；

级联的最后一级神经元运算核心模块12中所述神经元计算单元22将所述输入数据27的每一段全部计算完成后输出脉冲数据作为所述神经形态处理器的输出信号；