[发明专利]一种基于神经形态电路的类脑协处理器

说明书

技术领域

本发明涉及一种计算机领域的装置，具体讲涉及一种基于神经形态电路的类脑协处理器。

背景技术

自从上世纪四十年代，冯·诺依曼提出采用二进制和程序存储计算机架构以来，计算机依靠电子技术的不断改进和摩尔定律不断微缩计算机高速发展到今天。依靠顺序执行预定义的代码，通过总线在存储器和处理器间不断调用数据，计算机具有强大的数值处理能力。在此基础上，人们已经开发出各种具有复杂功能的大型软件，广泛用于军事、经济、教育和科研等各个领域，当今世界科技的发展与进步同计算机密不可分。

大数据信息网络和智能移动设备的蓬勃发展，产生了海量非结构化信息，伴生了对这些信息的高效能处理需求的急剧增长。然而，传统冯·诺依曼计算机在处理上述问题时面临两方面的巨大挑战。一方面是其处理器和存储器分离，由于采用总线通信、同步、串行和集中的工作方式，在处理大型复杂问题时不仅能耗高、效率低，而且面向数值计算的特性使其在处理非形式化问题时软件编程复杂度高，甚至无法实现。另一方面，其主要遵循摩尔微缩定律增加密度、降低成本和提高性能，本发明人预计在未来10到15年内微缩将抵达其物理极限，靠物理微缩这一手段难以进一步提高能效，其发展必将受到根本性限制。

因此，2011年国际半导体技术发展指南中指出了解决上述挑战的有效策略之一是借鉴人脑发展类脑计算技术。拥有10¹¹量级的神经元和10¹⁵量级的可塑突触连接，体积仅为2升的人脑具有现有计算机架构无法比拟的并行计算、强鲁棒性、可塑性和容错能力，而其能耗仅为10瓦量级。神经网络由大量神经元构成，虽然单个神经元结构和行为比较简单，但通过一定地学习规则却能呈现出丰富的网络处理功能。这种网络结构不同于传统的计算机处理方式，通过信息的分布式存储和并行协同处理，只需定义基本的学习规则即可模拟出大脑的自适应学习过程，不需明确的编程，处理一些非形式化问题时具有优势。

实现类脑计算技术的方法主要有两种：一种是利用软件算法在现有计算机架构上模拟并行分布式类脑计算神经网络，另一种是用大规模集成模拟、数字或数模混合的电路及软件系统来实现，即神经形态（Neuronmorphic）器件[1-2]。但由于软件算法实现的类脑计算模型执行载体仍是传统计算机，其能耗较之人脑的能源效率优化仍有很大差距。而基于硅技术的由神经形态器件实现的类脑计算神经网络能耗较之目前的软件实现办法有显著改善。因此，目前最有效的方法是基于神经形态电路的类脑计算方案。

微纳加工技术在最近二三十年迅猛发展，新型纳米器件（包括相变器件[3]和阻变器件[4]等）也迅速发展，依靠不同的电阻阻值来区分不同的存储状态。一方面，其读写速度、器件密度、编程电压等各项指标都可以与当今领先的存储技术媲美；且其掉电不丢失，属于非易失性器件，能耗相当低，非常适合作为新一代存储器。另一方面，其电阻状态可通过电信号调制，该特性可以模拟神经网络间连接突触连接权重自适应修改的行为[5-6]。Nature杂志2013年11月06日在特刊中报道了新型纳米器件有望为神经形态器件带来突破[7]。

目前，国际上许多知名企业、研究机构和大学目前已开展类脑计算的相关研究，例如IBM公司[8]、ARM公司[2]、HP公司[9]、瑞士洛桑联邦理工学院[10]、海德堡大学和斯坦福大学等。可见，借助基于神经形态器件的类脑计算来推动信息技术的发展已经成为国际研究的趋势。但类脑计算技术的发展尚处于探索阶段，尚无具体的应用场景，缺乏能够与当今的计算机技术结合的相关应用。

为了克服传统计算机难以解决非形式化问题和/或非结构化信息的弊端，本发明提出了基于神经形态电路的类脑协处理器。

发明内容

本发明的上述目的是通过基于神经形态电路的类脑协处理器的技术方案来实现的。

一种基于神经形态电路的类脑协处理器，所述类脑协处理器包括存储模块、处理模块和数据接口，其改进之处在于：所述处理模块为集存储与处理于一体的具有阶层结构的神经形态电路的处理模块；

所述存储模块为存储训练特征信息的存储模块；

所述类脑协处理器包括：分别与所述基于神经形态电路的处理模块的输入端和输出端连接的编码器和解码器，以及分别与所述存储训练特征信息的存储模块和所述解码器的输出端连接的比对模块。

进一步的，所述存储模块根据指令输出训练特征信息集合；

所述编码器对待处理信息进行选择和分类，将表述待处理信息的信号转换为类神经传输信号，并发送至所述处理模块；