[发明专利]基于FLASH存算阵列的脉冲型卷积神经网络

说明书

本公开提供了一种基于FLASH存算阵列的脉冲型卷积神经网络，包括：采样模块、基于FLASH的存算阵列及其对应的神经元模块、以及计数器模块；所述采样模块用于对输入图像进行采样，得到输入脉冲；所述基于FLASH的存算阵列存储有权重矩阵，其对输入脉冲与权重矩阵进行向量矩阵乘法运算，运算结果以电流形式输出；所述神经元模块对基于FLASH的存算阵列的运算结果进行积分，生成输出脉冲；所述计数器模块统计输出层的神经元模块产生的脉冲数量，将具有最大脉冲数量的神经元模块的脉冲数量作为识别结果。

技术领域

本发明属于半导体器件及集成电路领域，具体是一种基于FLASH存算阵列的脉冲型卷积神经网络。

背景技术

深度学习在图像处理和语音识别等方面取得了巨大成功，并被广泛应用于自动驾驶、安防监控等领域。作为深度学习重要组成部分的卷积神经网络，其性能的提升对深度学习的进一步发展具有重要意义。基于FLASH设计的存储计算一体化阵列(存算阵列)能够并行执行矩阵向量乘法运算，实现存算一体化，从而在硬件层面对运算进行加速。但是类似的存算一体化结构会引入新的问题，即外围电路尤其是模数/数模转换器带来的额外且巨大的硬件开销。

发明内容

(一)要解决的技术问题

本公开提出了一种基于FLASH存算阵列的脉冲型卷积神经网络，主要解决了以下技术问题：(1)存储计算一体化；(2)基于FLASH存算阵列的脉冲型卷积神经网络硬件实现。

(二)技术方案

本公开提供了一种基于FLASH存算阵列的脉冲型卷积神经网络，包括：采样模块、基于FLASH的存算阵列及其对应的神经元模块、以及计数器模块；

所述采样模块用于对输入图像进行采样，得到输入脉冲；

所述基于FLASH的存算阵列存储有权重矩阵，其对输入脉冲与权重矩阵进行向量矩阵乘法运算，运算结果以电流形式输出；

所述神经元模块对基于FLASH的存算阵列的运算结果进行积分，生成输出脉冲；

所述计数器模块统计输出层的神经元模块产生的脉冲数量，将具有最大脉冲数量的神经元模块的脉冲数量作为识别结果。

在本发明的实施例中，所述采样模块利用泊松采样或高斯采样对输入图像进行采样，得到输入脉冲。

在本发明的实施例中，所述脉冲型卷积神经网络的每一层均包括：所述基于FLASH的存算阵列，所述基于FLASH的存算阵列包括：多个FLASH单元、多条字线、多条源线、多条位线、多个减法器；

多个FLASH单元组成的存算阵列，每一列FLASH单元的栅极连接相同的字线，源极连接相同的源线，每一行FLASH单元的漏极连接相同的位线；每个减法器的正极端和负极端分别连接相邻两条位线。

在本发明的实施例中，

所述字线的数量对应于所述存算阵列的列数，输入脉冲通过字线输入FLASH单元；

所述源线的数量对应于所述存算阵列的列数，所述源线均接固定的驱动电压；

所述位线的数量对应于所述存算阵列的行数，每一行位线叠加该行各列FLASH单元的漏极信号，并将叠加的漏极信号作为输出信号输出。

在本发明的实施例中，所述FLASH单元存储有卷积神经网络的权重值，所述基于FLASH的存算阵列存储卷积神经网络的权重矩阵。

在本发明的实施例中，对所述FLASH单元编程，所述FLASH单元的存储状态视为“0”；对所述FLASH单元擦除，所述FLASH单元的存储状态视为“1”。

在本发明的实施例中，所述减法器正极端连接的位线上的FLASH单元存储正权重值，其负极端连接的位线上的FLASH单元存储负权重值。