[发明专利]基于忆阻器的卷积神经网络加速器核心的模拟方法及装置

说明书

本发明公开了基于忆阻器的卷积神经网络加速器核心的模拟方法及装置，支持除常见的正负权值映射形式外还支持补码形式的RRAM权重映射，通过将RRAM核心与外围电路抽象成各个模块并将位移寄存器与RRAM的卷积过程封装成更粗粒度的事务，在保证模型功能与精度的前提下简化芯片上外围数字电路的模型结构。本发明利用高级语言搭建RRAM核心的TLM模型，支持模拟RRAM核心的功耗、延迟、算力、面积等关键参数，比传统RTL模型仿真速度快1000倍以上，帮助芯片设计人员在芯片RTL模型完成前对芯片特性进行研究，缩短芯片的研发周期。

技术领域

本发明涉及新型智能计算领域，尤其是涉及基于忆阻器的卷积神经网络加速器核心的模拟方法及装置。

背景技术

实现高能源效率和高集成度的卷积神经网络硬件，可为未来物联网和人工智能的数据处理挑战提供一个有效的解决方案。近年来，基于电阻随机存取存储器可重构CNN（Convolutional Neural Network 卷积神经网络）芯片，因其集成密度高、功耗低、存算一体等特点而受到广泛关注。因此，基于RRAM（Resistive Random Access Memory，阻变存储器）的CNN芯片在集成度和能效方面可能会有进一步的提高。但是，该芯片的设计将面临以下问题：

（1）复杂的逻辑控制和核间通信；

（2）高风险的数字电路、模拟电路和RRAM混合设计；

（3）模拟电路和RRAM的非理想特性；

（4）较长的设计周期；

（5）传统RTL（Register Transfer Level 寄存器转移层次）模型的设计与仿真消耗大量时间与资源。

为了有效地弥合器件、电路、算法和体系结构之间的差距，提出一种模拟神经元电路、RRAM模型和多阵列体系结构的仿真模型，用于验证CNN芯片的功能、耗时和功耗。这些信息不仅可以用来验证架构的合理性，而且可以指导芯片的设计。

发明内容

为解决现有技术的不足，实现验证CNN芯片的功能、耗时和功耗目的，本发明采用如下的技术方案：

一种基于忆阻器的卷积神经网络加速器核心的模拟装置，包括存储模块、向量配置器、阻变存储器核心，阻变存储器核心包括位移寄存器、阻变存储器阵列、电流电压转换模块、模拟/数字转换模块；

存储模块，用于存储待处理图像；

向量配置器，根据网络结构描述文件，将待处理图像处理成一维向量，并添加额外信息，网络结构描述文件用于图像识别卷积神经网络到阻变存储器阵列的映射，额外信息包括阻变存储器阵列输入方向的行开启情况和阻变存储器阵列输出方向的列开启情况，分别用于控制一维向量对应的权值区域，以及对应输出列方向打开的模拟/数字转换模块与位置；

位移寄存器，从向量配置器获取一维向量，并发送至阻变存储器阵列；

阻变存储器阵列，是由忆阻器构成的阵列，忆阻器上储存的权值通过权值配置文件进行记录，一维向量与阻变存储器阵列上对应权值进行卷积操作后，输出卷积结果向量，并重新通过向量配置器配置新的额外信息，进行下一层网络计算，直至遍历整个图像识别卷积神经网络，通过打开的模拟/数字转换模块功率、电流电压转换模块功率、与一维向量长度相关的单列上寄生电容的功率、单个周期时长及阻变存储器阵列的功耗，得到当前周期阻变存储器核心总能耗。

进一步地，阻变存储器阵列将输入的一维向量及其对应的权值按位分列，按补码形式映射，将按位分列的向量矩阵与其对应的权值矩阵进行乘加操作，所述模拟/数字转换模块将每次乘加的结果，进行移位相加，得到相应的卷积结果向量。

进一步地，采用一对所述阻变存储器阵列，分别映射正权值与负权值，分别计算后相减，得到输出结果。