数据处理电路和电子设备制造技术

本申请公开了一种数据处理电路和电子设备，用于提高传感数据进行AI运算的处理速度并降低功耗。数据处理电路包括：存算一体处理器和算术运算单元；存算一体处理器包括多组存算阵列，存算阵列中的存算单元用于存储神经网络模型各层的网络参数；算术运算单元，用于实现神经网络模型的非线性运算；多组存算阵列，用于将来自传感器的传感数据与神经网络模型中各层的权重进行乘累加运算。各层的权重进行乘累加运算。各层的权重进行乘累加运算。

【技术实现步骤摘要】
数据处理电路和电子设备


[0001]本申请涉及电子
，尤其涉及一种数据处理电路和电子设备。

技术介绍

[0002]电子鼻是模仿人体嗅觉感知器官而专利技术的一种气体或气味检测装置，在食品安全、环境监控、医疗健康等多个领域有重要的应用场景，正朝着小型化、可穿戴化的方向发展。随着基于深度神经网络的人工智能（artificial intelligence，AI）算法在电子鼻领域的应用，使得电子鼻的检测性能越来越好，但随着AI算法的复杂度越来越高，小型电子鼻的功耗和算力无法满足要求。

技术实现思路

[0003]本申请实施例提供一种数据处理电路和电子设备，用于提高传感数据进行AI运算的处理速度并降低功耗。
[0004]为达到上述目的，本申请的实施例采用如下技术方案：第一方面，提供了一种数据处理电路，包括：存算一体处理器和算术运算单元；存算一体处理器包括多组存算阵列，存算阵列中的存算单元用于存储神经网络模型各层的网络参数；算术运算单元，用于实现神经网络模型的非线性运算；多组存算阵列，用于将来自传感器的传感数据与神经网络模型中各层的网络参数进行乘累加运算。
[0005]本申请实施例提供的数据处理电路，通过存算一体处理器来实现将来自传感器的传感数据与神经网络模型中各层的网络参数进行乘累加运算，通过算术运算单元实现神经网络模型的非线性运算。由于存算一体处理器的结构与神经网络模型高度适配，适用于神经网络模型的运算，可以减少数据在存储器与处理器之间来回搬运的时延并降低功耗，通过一次读取操作即可以完成海量的乘累加计算，所以可以提高传感数据进行AI运算的处理速度并降低功耗。
[0006]在一种可能的实施方式中，数据处理电路还包括多组模数转换器（analog to digital converter，ADC）和多组移位加法电路；每组存算阵列的多条位线分别耦合至一组模数转换器，一组模数转换器的输出端分别耦合一组移位加法电路。移位加法电路用于对存算阵列的运算结果进行移位后求和。
[0007]在一种可能的实施方式中，一组移位加法电路包括级联的多级移位加法器，每个移位加法器用于对第一输入端输入的数据进行移位后与第二输入端输入的数据相加并输出。
[0008]在一种可能的实施方式中，还包括处理器，处理器用于管理多级移位加法器中任一级移位加法器的输出结果发送给下一层的存算阵列。当存算阵列输入的数据的位数较少时，可以提高运算速度并降低功耗，但是会降低运算精度；当存算阵列输入的数据的位数较多时，会提高运算精度，但是会降低运算速度并升高功耗。因此，当上一层输出的运算结果的位数与下一层输入的数据的位数不一致时，需要适应地改变上一层输出的运算结果的位
memory，SRAM）存算单元的结构示意图；图11为本申请实施例提供的一种RRAM存算单元的结构示意图；图12为本申请实施例提供的另一种RRAM存算单元的结构示意图；图13为本申请实施例提供的一种RRAM存算单元工作时序的示意图。
具体实施方式
[0017]首先对本申请涉及的一些概念进行描述。
[0018]本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的，不能理解为用于指示相对重要性、数量、顺序等。
[0019]本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
[0020]本申请实施例涉及的术语“耦合”、“连接”应做广义理解，例如，可以指物理上的直接连接，也可以指通过电子器件实现的间接连接，例如通过电阻、电感、电容或其他电子器件实现的连接。
[0021]电子鼻是模仿人体嗅觉感知器官而专利技术的一种气体或气味检测装置，在食品安全、环境监控、医疗健康等多个领域有重要的应用场景，正朝着小型化、可穿戴化的方向发展。随着基于深度神经网络的AI算法在电子鼻领域的应用，使得电子鼻的检测性能越来越好，但随着AI算法的复杂度越来越高，小型电子鼻的功耗和算力无法满足要求。
[0022]目前有两种电子鼻的传感数据处理方案：一种方案是在线实现传感数据处理。如图1所示，即电子鼻11将传感数据通过网络传输给服务器12，服务器12处理完后再将运算结果传输给电子鼻11，该方式对数据传输速度要求高，降低了实时性。另外，业内主要是通过特殊设计的神经网络架构来减小算法复杂度，并通过专用芯片进行加速运算，这些专用芯片的成本很高，且只支持复杂度较小的算法（例如只有单层神经网络的感知机），只能提升计算速度而无法解决数据搬运的功耗和延时问题，因此无法应用于智能手表等可穿戴产品中。
[0023]另一种方案是在采用冯诺依曼架构的电子鼻本地实现传感数据处理。如图2所示，电子鼻20包括传感器21和数据处理电路22，数据处理电路22包括存储器221和乘加（multiply and accumulate，MAC）单元222，存储器221中存储神经网络的网络参数（例如权重、偏置），乘加单元222对来自传感器21的传感数据X以及来自存储器221的网络参数W进行乘加运算（例如X0*W0+X1*W1+
……
）得到运算结果Y。但是冯诺依曼架构受到功耗和算力限制，只能适用小型算法模型以实现简单的数据处理，无法适用气味检测模型等较大神经网络模型，降低了电子鼻性能。
[0024]本申请实施例提供的数据处理电路和电子设备，将存算一体处理器作为传感数据的深度学习神经网络模型的处理器，提高传感数据进行AI运算的处理速度并降低功耗，实现电子设备的小型化，可穿戴化。其中，该电子设备不仅可以为电子鼻，从而实现对气体类型的传感数据进行处理，该电子设备还可以为手持终端、手机、智能手表等，从而对其他类型的传感数据进行处理。
[0025]神经网络模型：如图3所示，神经网络模型按照数据的流动方向可以包括输入层、输出层和至少一个隐藏层，输出层一般为全连接层（fully connected layer，FC），隐藏层可以为卷积神经网络（convolutional neural network，CNN）的卷积层、长短期记忆（long short term memory，LSTM）层或者这些层的组合等，从而实现不同的功能。神经网络模型可以将数据与网络参数进行线性运算，以及，通过激活函数来实现非线性运算。另外，为了简化神经网络模型，还会对线性运算输出的运算结果进行取最大值、最小值、平均值以及池化等操作。
[0026]神经网络模型中的线性运算可以用y=wx+b来表示，y表示输出，x表示输入，w表示权重，b表示偏置，其中，wx可以称为通用矩阵乘（general matrix multiplication，GEMM），神经网络的网络参数即包括权重w和偏置b。
[0027]一种常用的激活函数为修正线性单元（rectified linear units，ReLU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理电路，其特征在于，包括：存算一体处理器和算术运算单元；所述存算一体处理器包括多组存算阵列，所述存算阵列中的存算单元用于存储神经网络模型各层的网络参数；所述算术运算单元，用于实现所述神经网络模型的非线性运算；所述多组存算阵列，用于将来自传感器的传感数据与所述神经网络模型中各层的网络参数进行乘累加运算。2.根据权利要求1所述的电路，其特征在于，所述数据处理电路还包括多组模数转换器和多组移位加法电路；每组存算阵列的多条位线分别耦合至一组模数转换器，所述一组模数转换器的输出端分别耦合一组移位加法电路。3.根据权利要求2所述的电路，其特征在于，一组移位加法电路包括级联的多级移位加法器，每个移位加法器用于对第一输入端输入的数据进行移位后与第二输入端输入的数据相加并输出。4.根据权利要求3所述的电路，其特征在于，还包括处理器，所述处理器用于管理所述多级移位加法器中任一级移位加法器的输出结果发送给下一层的存算阵列。5.根据权利要求4所述的电路，其特征在于，所述处理器还用于控制数据在不同存算阵列之间的传输。6.根据权利要求1
‑
5任一项所述的电路，其特征在于，所述存算单元为基于电荷的存储器或者阻变存储器，所述基于电荷的存储器包括静态随机存取存储器、动态随机存取存储器或闪存，所述阻变存储器包括电阻随机存取存储器、磁随机存...

【专利技术属性】
技术研发人员：伍一丰，曹元，林友志，
申请(专利权)人：荣耀终端有限公司，
类型：发明
国别省市：