一种基于循环神经网络的存储器建模方法和装置制造方法及图纸

本申请公开了一种基于循环神经网络的存储器建模方法和装置，首先获取待建模存储器的电参数特性数据；然后依据电参数特性数据获取电参数训练集以对循环神经网络模型进行训练；再输出完成训练的循环神经网络模型的模型网络参数；最后依据模型网络参数撰写Python脚本，以用于待建模存储器的模型卡生成。由于提出了基于循环神经网络的存储器件建模的通用方法，提出结合神经网络对存储器件进行模型构建的方法，可以加速存储器模型的建立过程，对整个工艺协同设计流程也可以起到加速作用。整个工艺协同设计流程也可以起到加速作用。整个工艺协同设计流程也可以起到加速作用。

【技术实现步骤摘要】
一种基于循环神经网络的存储器建模方法和装置


[0001]本专利技术涉及存储器设计及检测
，具体涉及一种基于循环神经网络的存储器建模方法和装置。

技术介绍

[0002]高集成度是新型电路超越传统技术且不断提高电路性能的重要因素。在基于人工智能的下一代计算架构中，新兴的存储器件（如：ReRAM，MRAM, PCM, FeRAM等）被认为是最重要的组成部分。尽管存储器的技术发展迅速，但是存储器的电路设计方法并不够完善。有一定原因是缺乏精准的集约模型去描述其电性能。此外，存储器中新型材料的引入以及新型物理结构的提出，基于物理机理去建立集约模型有很大挑战。进而导致建模时间周期长，模型精度不够等问题。应用神经网络技术进行建模是一种高效的数据驱动型建模方法。在逻辑器件的建模中，已能神经网络技术突显其优势（例如，用人工神经网络对晶体管电流、电荷特性建模等）。然而在存储器件中，应用神经网络进行建模的研究较少，这是由于存储器件状态特性不同（以ReRAM为例），会在同一个输入的不同时刻下呈现出多个电阻值，而传统神经网络只能处理当前时刻下的特性，无法处理考虑时序的情况，但循环神经网络可以处理时序类的问题。如何将支持处理时序类问题的神经网络技术应用到存储器件的建模中，是现阶段各个存储器研发和测试机构的主要研究方向。

技术实现思路

[0003]本专利技术主要解决的技术问题是如何应用循环神经网络可以结合当前时刻与过去时刻的结果预测未来值的特性，来实现对存储器件的建模。
[0004]根据第一方面，一种实施例中提供一种基于循环神经网络的存储器建模方法，包括：预设待建模存储器的电参数特性数据；所述电参数特性数据用于表示所述待建模存储器的电压参数与电阻参数或电流参数的对应关系；依据所述电参数特性数据获取电参数训练集，并将所述电参数训练集输入一预设的循环神经网络模型中，以对所述循环神经网络模型进行训练；所述循环神经网络模型训练完成后输出所述循环神经网络模型的模型网络参数；依据所述循环神经网络模型的模型网络参数撰写Python脚本，以用于所述待建模存储器的模型卡生成。
[0005]一实施例中，所述存储器建模方法，还包括：依据所述模型网络参数将所述循环神经网络模型转换为Verilog
‑
A模型，并将所述Verilog
‑
A模型作为所述待建模存储器的模型。
[0006]一实施例中，所述存储器建模方法，还包括：应用Spice仿真对所述Verilog
‑
A模型进行校验。
[0007]一实施例中，所述循环神经网络模型包括循环模块；
所述循环模块用于依据一预设的第一时刻输入所述待建模存储器的电压值V
INt
，获取对应所述第一时刻时所述待建模存储器的参考电阻值R
reft
，并将所述参考电阻值R
reft
作为所述第一时刻时所述待建模存储器的模型电阻值R
NNt
输出。
[0008]所述循环模块包括神经网络单元和延迟单元；所述神经网络单元包括输入层、隐藏层和输出层；输入所述输入层神经元的为一第一预设时间段中每一时刻所述循环模块输出的参考电阻值R
reft
和当前时刻的电压值V
INt
，所述隐藏层包括至少两个神经元，所述输出层输出的为所述参考电阻值R
reft
；所述延迟单元用于将所述第一时刻前所述第一预设时间段内的每一时刻的参考电阻值R
reft
传递到所述输入层。
[0009]一实施例中，所述延迟单元的延迟获取公式为：y
t
‑1=（R
t
‑1，R
t
‑2，
…
，R
t
‑
i
）；其中，t表示所述第一时刻，t
‑
i表示所述第一时刻的前第i个时刻，R
t
‑
i
表示输入所述隐藏层的所述第一时刻前第一预设时间段中的参考电阻值R
reft
，y
t
‑1表示所述延迟单元的输入值；所述隐藏层的单个神经元的输出公式为：z=tanh（W
x
×
V
INt
+ W
y
×
y
t
+b）；其中，z表示所述隐藏层的单个神经元的输出值，W
x
表示所述隐藏层的神经元与所述输入层中对应第一时刻电压的神经元之间的权重，W
y
表示所述隐藏层与所述输入层中对应在所述第一时刻前的参考阻值的神经元之间的权重，y
t
表示所述延迟单元的输出值；V
INt
表示所述第一时刻的所述待建模存储器的电压值，b表示对应所述隐藏层中每个神经元的偏置；其中，所述隐藏层的每个神经元对应一个偏置；所述输出层的输出公式为：R
t
= W
z
×
z+ b
out
；其中，R
t
表示在所述第一时刻时所述输出层输出的电阻值，W
z
表示所述输出层的权重，b
out
表示对应所述输出层中每个神经元的偏置，其中，所述输出层的每个神经元对应一个偏置。
[0010]根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如第一方面所述的存储器建模方法。
[0011]根据第三方面，一种实施例中提供一种存储器建模装置，用于应用如第一方面所述的存储器建模方法，所述存储器建模装置包括：参数获取单元，用于预设待建模存储器的电参数特性数据；所述电参数特性数据用于表示输入所述待建模存储器的电压参数与电阻参数或电流参数的对应关系；训练集获取单元，用于依据所述电参数特性数据获取电参数训练集，并将所述电参数训练集输入一预设的循环神经网络模型中，以对所述循环神经网络模型进行训练；网络参数获取单元，用于当所述循环神经网络模型训练完成后输出所述循环神经网络模型的模型网络参数；模型生成单元，用于依据所述循环神经网络模型的模型网络参数撰写Python脚本，以用于所述待建模存储器的模型卡生成。
[0012]据上述实施例的存储器建模方法，本申请公开了一种基于循环神经网络
（Recurrent neural network, RNN）算法，其考虑时序的网络构建存储器件的电阻
‑
电压特性模型，以对存储器件建模的方法，使用RNN考虑时序的特性并结合物理测试数据，对ReRAM建立了一套基于RNN的存储器件模型。该建模方法对工艺协同设计流程（DTCO）的加速以及电路仿真具有重要意义。
附图说明
[0013]图1为一种实施例中存储器的测试数据与RNN模型输出特性示意图；图2为一种实施例中存储器建模方法的流程示意；图3为一种实施例中NARX神经网络模型的结构示意图；图4为一种实施例中Spice仿真获取的电阻特性示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的存储器建模方法，其特征在于，包括：获取待建模存储器的电参数特性数据；所述电参数特性数据用于表示所述待建模存储器的电压参数与电阻参数或电流参数的对应关系；依据所述电参数特性数据获取电参数训练集，并将所述电参数训练集输入一预设的循环神经网络模型中，以对所述循环神经网络模型进行训练；所述循环神经网络模型训练完成后输出所述循环神经网络模型的模型网络参数；依据所述循环神经网络模型的模型网络参数撰写Python脚本，以用于所述待建模存储器的模型卡生成。2.如权利要求1所述的存储器建模方法，其特征在于，还包括：依据所述模型网络参数将所述循环神经网络模型转换为Verilog
‑
A模型，并将所述Verilog
‑
A模型作为所述待建模存储器的模型。3.如权利要求2所述的存储器建模方法，其特征在于，还包括：应用Spice仿真对所述Verilog
‑
A模型进行校验。4.如权利要求1所述的存储器建模方法，其特征在于，所述循环神经网络模型包括循环模块；所述循环模块用于依据一预设的第一时刻输入所述待建模存储器的电压值V
INt
，获取对应所述第一时刻时所述待建模存储器的参考电阻值R
reft
，并将所述参考电阻值R
reft
作为所述第一时刻时所述待建模存储器的模型电阻值R
NNt
输出。5.如权利要求4所述的存储器建模方法，其特征在于，所述循环模块包括神经网络单元和延迟单元；所述神经网络单元包括输入层、隐藏层和输出层；输入所述输入层神经元的为一第一预设时间段中每一时刻所述循环模块输出的参考电阻值R
reft
和当前时刻的电压值V
INt
，所述隐藏层包括至少两个神经元，所述输出层输出的为所述参考电阻值R
reft
；所述延迟单元用于将所述第一时刻前所述第一预设时间段内的每一时刻的参考电阻值R
reft
传递到所述输入层。6.如权利要求5所述的存储器建模方法，其特征在于，所述延迟单元的延迟获取公式为：y
t
‑1=（R
t
‑1，R
t
‑2，
…
，R
t
‑
i
）；其中，t表示所述第一时刻，t
‑
i表示所述第一时刻的前第i个时刻，i为自然数，R

【专利技术属性】
技术研发人员：张立宁，容钊，戴午，黄如，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：