[发明专利]一种面向神经网络算法的模拟感知计算架构

说明书

本发明公开了一种面向神经网络算法的模拟感知计算架构，包括：神经元值缓冲器，其配置为缓存待分析对象的样本参数；突触权重缓冲器，其配置为存储与样本参数对应的突触权重；模拟计算处理模块，其配置为根据突触权重和样本参数，在模拟域对待分析对象进行特征提取及特征分类。本发明实现了待分析对象的特征提取和特征分类，并且对样本参数和突触权重的计算是在模拟域中进行，具有高能效的特点，同时本架构减少了模数和数模转换模块的代价，进一步降低了能耗。

技术领域

本发明涉及人工智能领域，尤其涉及一种面向神经网络算法的模拟感知计算架构。

背景技术

近年来，人工智能(Artificial Intelligence，简称AI)蓬勃发展，神经网络作为人工智能当前最有效的实现途径之一，越来越受到学术界和工业界的关注。神经网络在图像、视频和语音识别等领域内得到了广泛的应用。

诸多神经网络中，卷积神经网络(Convolutional Neural Network，简称CNN)和深度神经网络(Deep Neural Networks，简称DNN)应用最为广泛。CNN和DNN都是计算密集型的神经网络，神经网络规模大，对平台的运算能力的要求高，特别是当处理图像和视频的高维数据时，数据传输速率可能超过计算平台实时处理的能力，目前主要通过专用集成电路提高运算速度。

RedEye是一种针对移动视觉设计的专用集成电路，它具有模拟卷积神经网络图像传感器结构，采用了模块化的并行设计思路，能够降低模拟设计的复杂性，但是无法实现特征分类，而且需要大量模数转换器(Analog to Digital Converter，简称ADC)将模拟信号转换成数字信号，能耗高。

发明内容

为解决现有技术中专用模拟集成电路仅能实现卷积神经网络的特征提取，无法实现特征分类以及专用数字集成电路存在能耗高的问题，本发明提供了一种面向神经网络算法的模拟感知计算架构。

根据本发明的一个实施例，提供了一种面向神经网络算法的模拟感知计算架构，包括：

神经元值缓冲器，其配置为缓存待分析对象的样本参数；

突触权重缓冲器，其配置为存储与所述样本参数对应的突触权重；

模拟计算处理模块，其配置为根据所述突触权重和所述样本参数，在模拟域对待分析对象进行特征提取及特征分类。

根据本发明的一个实施例，所述模拟计算处理模块包括：

多个乘法累加单元，其配置为根据所述突触权重对所述样本参数进行卷积处理；

多个第一非线性单元，其配置为与所述乘法累加单元一一对应连接，用于对各所述乘法累加单元输出的卷积结果进行非线性映射处理；

池化单元，其配置为对多个所述第一非线性单元输出的结果进行下采样及特征筛选；

第二非线性单元，其配置为对所述特征筛选的结果进行非线性映射。

根据本发明的一个实施例，所述面向神经网络算法的模拟感知计算架构还包括：

输出缓冲器，其配置为缓存所述第二非线性单元输出的中间特征和最终特征，并输出所述中间特征给所述神经元值缓冲器。

根据本发明的一个实施例，所述面向神经网络算法的模拟感知计算架构还包括：

赢者通吃模块，其配置为从所述第二非线性单元输出的最终特征中，筛选并输出最终特征中的最大值。

根据本发明的一个实施例，所述突触权重缓冲器包括第一权重参数存储器，其中，所述第一权重参数存储器配置为存储所述突触权重。