[发明专利]用于混合信号计算的系统和方法

说明书

一种混合信号集成电路，该混合信号集成电路包括：全局参考信号源；第一求和节点和第二求和节点；多个不同对的电流生成电路，该多个不同对的电流生成电路沿着第一求和节点和第二求和节点布置；多个不同对中的每对中的第一电流生成电路，该多个不同对中的每对中的第一电流生成电路布置在第一求和节点上，以及多个不同对中的每对中的第二电流生成电路，该多个不同对中的每对中的第二电流生成电路布置在第二求和节点上；共模电流电路，该共模电流电路被布置为与第一求和节点和第二求和节点中的每个电连通；其中局部DAC基于来自全局参考源的参考信号来调节第一求和节点和第二求和节点之间的差分电流；以及比较器或有限状态机，该比较器或有限状态机生成从第一求和节点和第二求和节点获得的二进制输出值电流值。

相关申请的交叉引用

本申请要求于2018年3月19日提交的美国临时申请第62/644,908号的权益，该临时申请的全部内容通过引用并入于此。

技术领域

本文描述的发明总体上涉及集成电路系统架构领域，并且更具体地涉及新颖有用的混合信号集成电路以及在集成电路系统架构领域中计算混合信号的方法。

背景技术

如今，人工智能和机器学习的各种实施方式正在推动许多技术领域中的创新。人工智能(AI)系统和人工智能模型(包括算法)由实现机器(例如，计算机和/或计算服务器)的机器学习(深度学习)、推理、推断能力和大数据处理能力的许多系统架构和模型定义。这些AI系统和模型经常被集中训练，以执行一个或多个特定的任务，诸如自然语言处理、图像识别、计划、决策等。例如，这些AI系统和模型的子集包括人工神经网络模型。在许多情况下，人工神经网络模型的训练在整个训练周期内可能需要数千小时，并且需要许多太字节的训练数据，以在使用前微调模型的相关联的神经网络算法。

然而，一旦被训练，神经网络模型或算法可以基于与训练周期期间使用的较大训练数据集相比的相对较小的数据集被快速部署，以做出推断从而完成特定任务(例如，从语音输入数据中识别语音等)。由神经网络模型或算法基于较小的数据集做出的推断可以是关于神经网络模型计算出的内容是关于某一情景的正确答案或指示的预测。

但是，虽然实施实施一个或多个神经网络算法的神经网络模型可能不需要与训练阶段中需要的相同数量的计算资源，但是在现场部署神经网络模型仍然需要大量的电路系统面积、能量和计算能力，以对数据进行分类并且推断或预测结果。例如，加权和计算通常用于模式匹配和机器学习应用，包括神经网络应用。在加权和计算中，集成电路可以用于将一组输入(x_i)乘以一组权重(w_i)，并且对每个乘法运算的结果求和，以计算最终结果(z)。然而，用于机器学习应用的典型加权和计算包括数百或数千个权重，这使加权和计算对于用传统数字电路系统进行计算在计算上是昂贵的。具体地，从数字存储器访问数百或数千个权重需要大量的计算时间(即，增加的延迟)和大量的能量。

因此，计算神经网络模型等的加权和计算所需的传统数字电路系统往往很大，以容纳存储神经网络模型所需的数十万个权重需要的大量数字存储器电路系统。由于电路系统的大尺寸，需要更多的能量来实现许多传统计算机和电路的计算能力。

附加地，用于实施人工智能模型和(即)神经网络模型的这些传统计算机和电路可能适合于远程计算过程，诸如在分布式计算系统(例如，云)中或者当使用许多现场计算服务器等时。然而，当这些远程人工智能处理系统在用于远程、边缘计算设备的计算推断等或现场设备时，延迟问题是显而易见的。也就是说，当这些传统的远程系统寻求实施神经网络模型以用于生成将用于远程现场设备的推断时，在从远程现场设备接收输入数据时存在不可避免的延迟，因为输入数据必须经常在具有变化带宽的网络上传输，并且随后，由远程计算系统生成的推断必须经由相同或类似的网络传输回远程现场设备。