[发明专利]神经元网络单元、卷积运算模块以及卷积神经网络

说明书

本发明提供了一种神经元网络单元，包括静态随机存储单元、正向读出隔离支路、以及反向读出隔离支路；所述静态随机存储单元包括电学串联的第一传输晶体管和第二传输晶体管，以及并联在第一和第二传输晶体管之间的两个对置互锁的第一和第二反相器，所述正向读出隔离支路连接至第一传输晶体管与两个对置互锁的反相器之间，用于根据静态随机存储单元存储的控制信号，将一外部输入的数字电压转化为模拟电流输出；所述反向读出隔离支路连接至第二传输晶体管与两个对置互锁的反相器之间，用于根据静态随机存储单元存储的控制信号，将一外部输入的数字电压转化为模拟电流输出。

技术领域

本发明涉及集成电路设计领域，尤其涉及一种神经元网络单元、卷积运算模块以及卷积神经网络。

背景技术

随着大数据时代的发展，人工智能已经成为一个非常重要的学科领域，神经网络专用芯片则是计算系统高效完成神经网络计算的重要硬件工具。传统计算架构采用计算和存储分离的冯诺依曼体系，在大数据趋势下，冯诺依曼体系结构中内存带宽和内存功耗已经开始主导计算带宽和能量。其中很大一部分功耗被花费在内存和计算单元的数据搬运上。以存储器为主导的存内计算，通过神经网络算法与存储硬件架构的结合，非常大程度的降低了数据搬运带来的巨大时间和功耗开销。

现有的卷积神经网络存算一体存储器(CIM SRAM)，沿用了传统的SRAM的字线和位线架构，因此在进行数据输入时，每一行字线接收的数据均是同一组输入数据。虽然对于同一组数据进行卷积运算时可以使用不同的卷积核进行乘加运算，但是基于目前简单的卷积神经网络算法，对于同一组卷积窗口的数据，最多使用16-20组卷积核，因此对于SRAM阵列来说，仅使用16-20列位线进行操作对剩下的阵列部分造成了资源浪费。

发明内容

本发明所要解决的技术问题是，提供一种神经元网络单元、卷积运算模块以及卷积神经网络，提高阵列单元资源利用率并降低了功耗。

为了解决上述问题，本发明提供了一种神经元网络单元，包括静态随机存储单元、正向读出隔离支路、以及反向读出隔离支路；所述静态随机存储单元包括电学串联的第一传输晶体管和第二传输晶体管，以及并联在第一和第二传输晶体管之间的两个对置互锁的第一和第二反相器，所述正向读出隔离支路连接至第一传输晶体管与两个对置互锁的反相器之间，用于根据静态随机存储单元存储的控制信号，将一外部输入的数字电压转化为模拟电流输出；所述反向读出隔离支路连接至第二传输晶体管与两个对置互锁的反相器之间，用于根据静态随机存储单元存储的控制信号，将一外部输入的数字电压转化为模拟电流输出。

可选的，所述正向读隔离支路包括串联的第一读出晶体管和第二读出晶体管；第一读出晶体管的栅极连接至第一传输晶体管与两个对置互锁的反相器之间，作为正向读隔离支路的控制端，第一读出晶体管的漏/源极接工作电压；第二读出晶体管的栅极作为外部输入端，第二读出晶体管的源/漏极作为正向读出隔离支路的输出端。

可选的，所述反向读隔离支路包括串联的第三读出晶体管和第四读出晶体管；第三读出晶体管的栅极连接至第二传输晶体管与两个对置互锁的反相器之间，作为反向读隔离支路的控制端，第三读出晶体管的漏/源极接地；第四读出晶体管的栅极作为外部输入端，第四读出晶体管的源/漏极作为反向读出隔离支路的输出端。

本发明还提供了一种卷积运算模块，所述模块包括卷积运算子块和脉冲频率量化单元；所述卷积运算子块包括N×N个上述的神经元网络单元所组成的阵列，N为正整数，其中：神经元网络单元的第一和第二传输晶体管连接阵列的写字线，第一传输晶体管的漏/源极和第二传输晶体管源/漏极分别连接位线和反向位线，正向隔离支路的外部输入端连接行字线，反向隔离支路的外部输入端连接列字线，正向隔离支路的输出端连接行电流输出，反向隔离支路的输出端连接列电流输出；所述脉冲频率量化单元与所述卷积运算子块的输出端连接，将卷积运算子块中的电流输出转化为脉冲信号进行脉冲频率计数，进而转换成多比特数字输出。