一种基于铁电存储器的神经网络电路及其控制方法技术

本发明专利技术提供一种基于铁电存储器的神经网络电路及其控制方法，属于半导体(semiconductor)、和CMOS混合集成电路技术领域。本发明专利技术通过创新的电路设计，使得向量与矩阵的乘法运算有了新型的解决方式。这种解决方式利用电容电荷积累与电荷重分配的特性，可以高速度、低功耗地完成向量与矩阵的乘法，且具有电路结构简单，与现有CMOS工艺兼容的特性，对未来新型神经网络加速芯片的研究有着重要意义。

A neural network circuit based on ferroelectric memory and its control method

【技术实现步骤摘要】
一种基于铁电存储器的神经网络电路及其控制方法
本专利技术属于半导体(semiconductor)、和CMOS混合集成电路
，具体涉及一种基于铁电存储器(Ferroelectricrandomaccessmemory,FeRAM)的神经网络电路结构。
技术介绍
近年来，随着人工智能技术的发展，各种神经网络算法层出不穷，如深度神经网络(DeepNeuronNetwork，DNN)、卷积神经网络(ConvolutionalNeuronNetwork，CNN)和脉冲神经网络(SpikeNeuronNetwork，SNN)等。这些神经网络算法中，大量用到了向量、矩阵之间的乘法运算。高维度的矩阵相乘运算在CPU上的运算速度非常低，在GPU上的运算速度和功耗也不尽如人意，现在对一个大型神经网络进行训练，通常要采用多块GPU同时工作，并训练相当长的时间，其速度和功耗等均无法满足未来人工智能要应用的领域，诸如自动驾驶、智能家居等。利用新型存储器来制备专用的神经网络加速芯片以代替传统的GPU是目前一个有前景的研究方向，在这一方向上，人们通常使用阻变类型的存储器，例如阻变存储器(ResistiveRandomAccessMemory，RRAM)和相变存储器(PhaseChangeRandomAccessMemory，PCRAM)等来制备神经网络加速芯片。但是这类神经网络加速芯片存在泄漏电流问题，多值特性也不容易实现，制约了新型神经网络加速芯片的发展。铁电存储器作为新型存储器的一种，有别于阻变存储器，可通过电压来调节其电容大小，并可实现电容的多值。利用电容而非电压来存储神经网络算法中节点权重，可以解决新型神经网络电路中的泄漏电流问题，电容多值的实现也支持了新型神经网络加速芯片的发展。
技术实现思路
本专利技术提出了一种基于铁电存储器的神经网络电路结构及其控制方法，使得神经网网络可以完成向量与矩阵的乘法运算。本专利技术提供的技术方案如下：一种基于铁电存储器的神经网络电路结构，包括以纵横式交叉集成铁电存储器，形成神经元阵列，其特征在于，在上述神经元阵列的一边，每一根电路字线上接一个多路选择器，多路选择器控制输入到字线的信号为输入脉冲信号或者是零电平信号；在与上述神经元阵列的边不同且不相对的另一边，每一根电路位线上接一个运算放大器的同向输入端，运算放大器的反相输入端接地，该电路位线通过并联的开关和电容与神经网络电路的输出端相连。脉冲信号的参数范围为：电平低位：-0.5V～0.5V；电平高位：0.1V～5V；脉冲信号宽度：10ns～1ms；上升沿时间：1ns-100us。本专利技术还进一步提供一种基于铁电存储器的神经网络电路的控制方法，其特征在于，在数据输入阶段，输入数据通过前端电路调制成脉冲输入信号，通过多路选择器的控制输入到神经元阵列中，此时位线电路中的开关打开，脉冲输入信号在神经元的铁电存储器中积累电荷，铁电存储器中积累的电荷数量与输入脉冲个数和铁电存储器本身电容呈正相关；在数据输出阶段，多路选择器选通零电平信号，位线电路的开关关断，位线电路的电容积累电荷，其电荷量为该位线上所有铁电存储器积累的电荷量的和，其大小与位线电容大小和输出电压值正相关。本专利技术提出了一种基于铁电存储器的神经网络电路结构，通过创新的电路设计，使得向量与矩阵的乘法运算有了新型的解决方式。这种解决方式利用电容电荷积累与电荷重分配的特性，可以高速度、低功耗地完成向量与矩阵的乘法，且具有电路结构简单，与现有CMOS工艺兼容的特性，对未来新型神经网络加速芯片的研究有着重要意义。附图说明图1是本专利技术基于铁电存储器的神经网络电路结构示意图；图2是本专利技术的操作对应向量输入示意图；图3是本专利技术的操作对应向量输出示意图。具体实施方式本专利技术的电路结构参考图1。以纵横式交叉矩阵(crossbar)的形式集成铁电存储器，形成神经元阵列(synapsearray)，在阵列的一边(本示例中在阵列的上方边缘)，每一根电路连线(本示例中称之为字线)上接一个多路选择器，多路选择器控制输入到字线的信号为输入脉冲信号或者是零电平信号。在与上文所述边不同且不相对的另一边(本示例中在阵列的右侧边缘)，每一根电路连线(本示例中称之为位线)上接一个运算放大器的同向输入端，运算放大器的反相输入端接地。位线通过并联的开关和电容与输出端相连。位线电路也称为神经元电路(NeuronCircuits)。图1仅画出了两处字线的电路和一处位线的电路，但是需要明白的是，每一根字线和位线都连接有上述电路。本专利技术的电路结构中，为了实现向量与矩阵的乘法，分两步进行操作，分别是向量输入和向量输出，图2所示意的操作对应向量输入，图3所示意的操作对应向量输出，两者一同示意本专利技术提出的神经网络电路结构如何完成向量与矩阵的乘法。在向量与矩阵的乘法运算中，向量的输入体现为字线输入脉冲个数，矩阵的值体现为神经元阵列中铁电存储器的电容大小，向量的输出体现为一根位线上所有铁电存储器积累的电荷总量。在数据输入阶段，输入数据通过前端电路后调制成脉冲输入信号，本专利技术实施实例中脉冲输入信号电平地位采用-0.035V，电平高位采用0.165V，脉冲信号宽度采用400ns，上升沿时间采用100ns。通过字线电路的多路选择器的控制输入到神经元阵列中，此时位线电路中的开关打开，脉冲输入信号在神经元的铁电存储器中积累电荷，铁电存储器中积累的电荷数量与输入脉冲个数和铁电存储器本身电容呈正相关。在数据输出阶段，字线电路的多路选择器选通零电平信号，位线电路的开关关断，位线电路的电容积累电荷，其电荷量为该位线上所有铁电存储器积累的电荷量的和，其大小与位线电容大小和输出电压值正相关，已知位线电容大小，通过测量输出电压可以计算出一根位线上的电荷总量，通过对所有位线进行计算，得到向量与矩阵乘法的结果。上述说明仅对本方法的技术方案做了概述，为了能够更清楚的了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下配合附图做详细说明。本文档来自技高网...

【技术保护点】
1.一种基于铁电存储器的神经网络电路，包括以纵横式交叉集成铁电存储器形成神经元阵列，其特征在于，在上述神经元阵列的一边，每一根电路字线上接一个多路选择器，多路选择器控制输入到字线的信号为输入脉冲信号或者是零电平信号；在与上述神经元阵列的边不同且不相对的另一边，每一根电路位线上接一个运算放大器的同向输入端，运算放大器的反相输入端接地，该电路位线通过并联的开关和电容与神经网络电路的输出端相连。/n

【技术特征摘要】
1.一种基于铁电存储器的神经网络电路，包括以纵横式交叉集成铁电存储器形成神经元阵列，其特征在于，在上述神经元阵列的一边，每一根电路字线上接一个多路选择器，多路选择器控制输入到字线的信号为输入脉冲信号或者是零电平信号；在与上述神经元阵列的边不同且不相对的另一边，每一根电路位线上接一个运算放大器的同向输入端，运算放大器的反相输入端接地，该电路位线通过并联的开关和电容与神经网络电路的输出端相连。


2.如权利要求1所述的基于铁电存储器的神经网络电路，其特征在于，所述输入脉冲信号的电平低位范围为：-0.5V～0.5V。


3.如权利要求1所述的基于铁电存储器的神经网络电路，其特征在于，所述输入脉冲信号的电平高位范围为：0.1V～5V。


4.如权利要求1所述的基于铁电存储器的神经网络电路，其特征在于，所述输入脉冲信号的脉冲信号宽度范围为：10ns～1ms。


...

【专利技术属性】
技术研发人员：蔡一茂，凌尧天，王宗巍，郑琪霖，喻志臻，鲍霖，吴林东，黄如，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11