[发明专利]存储器校准设备、系统和方法

说明书

本公开的实施例涉及存储器校准设备、系统和方法。系统包括有多个存储器单元的存储器阵列；耦合至存储器阵列的感测电路；与校准电路装置。测试数据模式被应用于存储器阵列，以基于第一感测电路响应于将测试数据模式应用于存储器阵列而提供的输出来生成校准信息。生成的校准信息以分布式方式存储在存储器阵列的存储器单元内。生成的校准信息的一些生成的校准信息可以与被存储在多个存储器单元中的数据值组合，作为对所存储的数据值进行一个或多个操作的部分。存储的数据值可以被存储在存储器阵列的存储器内计算集群中，使得对存储器的数据值进行操作包括：将存储器内计算集群的多个数据值与生成的校准信息的至少一部分组合。

技术领域

本公开大体上涉及一种存储器阵列，诸如在学习/推理机(例如人工神经网络(ANN))中使用的存储器阵列。

背景技术

处理核心以及包括处理核心的设备和系统(诸如处理器、移动电话、平板式计算机、膝上型计算机、台式计算机、嵌入式处理系统等)通常可以包括一个或多个存储器，诸如高速缓存存储器、主存储器、辅助存储器等。可以例如使用可以是易失性或非易失性的一个或多个随机存取存储器(RAM)来实施存储器。可以将RAM组织成对应于存储器中的数据地址的行和列。感测电路(诸如感测放大器)可以用于读取存储器阵列的单元、列或行。

一些应用可以采用大量存储器。例如，各种计算机视觉、语音识别和信号处理应用受益于学习/推理机的使用，该学习/推理机可以快速地执行数百个、数千个甚至数百万个并发操作，并且可以因此采用大量存储器。学习/推理机(如本公开中所讨论的)可以属于机器学习、人工智能、神经网络、概率推理引擎、加速器等的技术名称。常规学习/推理机可以传递数百个浮点计算(即，每秒一万亿(10¹²)次浮点计算)的计算能力。

此类学习/推理机可以包括或以其他方式利用深度卷积神经网络(DCNN)。DCNN是一种基于计算机的工具，其通过合并数据内的近端相关的特征来处理大量数据并且自适应地“学习”，对数据进行广泛预测，并且基于可靠结论和新合并对预测进行改进。DCNN布置成多个“层”，并且在每个层处进行不同类型的预测。

例如，如果提供了多个面部的二维图片作为DCNN的输入，那么DCNN将学习面部的各种特点，诸如边缘、曲线、角度、点、颜色对比、亮点、暗点等。在DCNN的一个或多个第一层处学习这些一个或多个特征。然后，在一个或多个第二层中，DCNN将学习面部的各种可识别特征，诸如眼睛、眉毛、前额、头发、鼻子、嘴巴、脸颊等；各种可识别特征中的每个可识别特征都可以与所有其他特征区分开。也就是说，DCNN学习识别并且区分眼睛与眉毛或任何其他面部特征。在一个或多个第三层以及接着的后续层中，DCNN学习整个面部和更高阶特点，诸如种族、性别、年龄、情绪状态等。在一些情况下，DCNN甚至被教导识别人员的特定身份。例如，可以将随机图像标识为面部，并且可以将面部识别为人员A(Person_A)、人员B(Person_B)或一些其他身份。

在其他示例中，可以为DCNN提供动物的多个图片，并且DCNN可以被教导标识狮子、老虎和熊；可以为DCNN提供汽车的多个图片，并且DCNN可以被教导标识和区分不同类型的车辆；以及，也可以形成许多其他DCNN。DCNN可以用于学习在语句中的字词模式、标识音乐、分析个人购物模式、玩视频游戏、创建交通路线，并且DCNN也可以用于许多其他基于学习的任务。

发明内容

一种存储器校准系统可以被概括为包括：存储器阵列，包括多个存储器单元；第一感测电路，被耦合至存储器阵列；以及校准电路装置，在操作中将测试数据模式应用于存储器阵列，基于由第一感测电路响应于将测试数据模式应用于存储器阵列而提供的输出，来生成校准信息；以及以分布式方式将所生成的校准信息存储在多个存储器单元中的至少一些存储器单元内。在操作中并且在以分布式方式存储所生成的校准信息之后，第一感测电路可以被配置为将所生成的校准信息的至少一部分与被存储在多个存储器单元中的一个或多个数据值组合，以作为对一个或多个所存储的数据值进行的一个或多个操作的部分。多个存储器单元可以被布置成使得存储器单元的一个或多个子集在操作中形成针对在存储器内计算的一个或多个对应存储器内计算集群。