[发明专利]一种用于神经网络存算阵列的温度补偿单元及方法

说明书

本发明公开了一种用于神经网络存算阵列的温度补偿单元及方法，通过在存算阵列中稀疏插入的参考阵列为ADC提供参考电压，使ADC的输入电压与参考电压具有相同的温度系数，最后利用ADC进行模数转换，使ADC的数字输出不受外部温度的影响，保证神经网络的运算精度。根据本发明的温度补偿单元采用的参考阵列与存算阵列结构相同，参考阵列的插入密度与存算阵列所处温场有关，可使用一个参考阵列同时为多个存算阵列提供ADC的参考电压，最大程度地降低插入参考阵列带来的面积和功耗的增加。本发明中的温度补偿方法适用于器件阵列与阵列外围电路放在相同或不同层的3D堆叠技术，符合存算阵列朝大规模方向发展的需求。

技术领域

本发明涉及一种用于神经网络存算阵列的温度补偿单元及方法，属于集成电路技术领域。

背景技术

神经网络在图片分类、图像识别、自动驾驶等领域取得了重大发展，而基于浮栅类非易失性器件的存算一体技术利用器件阵列将数据的存储和运算进行融合，适用于神经网络这种大规模数据并行运算的应用场景。浮栅类非易失性器件组成的存算阵列在工作时，可通过改变存算阵列中浮栅器件的阈值电压来实现权重的存储，最后通过存算阵列中均工作在线性区的两列浮栅器件输出电流的减法实现输入数据与权重间的乘累加运算，两列浮栅器件的输出电流经过电流减法电路之后的电流差值的大小代表了运算的结果。

存算阵列的工作过程如下，在阵列完成乘累加运算并作电流减法后，输出电流为：

其中，μ是浮栅器件的迁移率，C_ox是单位面积的栅氧化层电容，W、L是浮栅器件的宽、长，ΔV_THi是阈值电压差，n是权重和输入数据的数量，是第i个权重，V_DSi是第 i个输入数据通过DAC(数模转换器)转换后得到的模拟电压信号。

I_OUT通过I-V(电流-电压)转换后得到输出电压：

其中，R是I-V转换电阻，最后V_OUT通过外部参考电源V_REF、电压缓冲器(Buffer)以及模数转换器(ADC)组成的模数转换系统转换为输出数据并进行下一步传输。

在存算阵列的工作过程中，阵列的输出电流值决定了神经网络的运算结果，若输出电流发生偏移，那么ADC的输出结果也将出现偏差，这种偏差经过多层传递放大后，会降低整个神经网络的工作精度。在前述I_OUT表达式中，ΔV_THi自身已经消除了器件阈值电压的线性温度特性对阵列输出电流的影响，但是器件迁移率μ是随温度变化的，迁移率是指单位电场强度下所产生的载流子(电子或空穴)平均漂移速度，而在不同的温度下，载流子的漂移速度是会发生变化的，这导致μ在0℃～100℃范围内可以发生近50％的变化(参考“蒋明峰，方毅，黄鲁.一种基于闪存的温度补偿型向量矩阵乘法器[J].微电子学，2020，50(3)：344-348.”)，意味着阵列输出电流I_OUT在最差情况下也会发生近50％的偏移，这对神经网络的工作精度造成了不可忽视的影响。因此，为了使神经网络能够适应环境温度的变化，需要针对存算器件迁移率温漂特性进行温度补偿。

上述蒋明峰等的论文中提出了一种温度补偿电路，该电路利用运放、浮栅器件和电阻构成一个电导负载在输出端直接得到一个不受温度影响的输出电压V_OUT。该方法中大量地使用运算放大器会额外地增加神经网络的功耗，并且运放的稳态建立时间也制约了神经网络的运算速度；同时，随着存算阵列规模的不断扩大，出现了将器件阵列与阵列外围电路放在不同层以满足神经网络朝大规模和高算力方向发展需求的3D堆叠技术，但是该论文中的补偿方法要求补偿电路和存算阵列需处在同一个工艺层中，并不能满足这个需求。