[发明专利]可编程可重置人工神经网络的基于计数器的电阻处理单元

说明书

描述了用于在电阻处理单元(RPU)阵列的交叉点器件中存储权重的技术方案。示例方法包括设置交叉点器件中的一组单比特计数器中的每个单比特计数器的状态，单比特计数器的状态表示要在交叉点器件处存储的权重。该方法还包括调整交叉点器件的电阻器器件的电导。电阻器器件包括一组电阻电路，每个电阻电路与该组单比特计数器中的相应单比特计数器相关联，通过根据相关联的单比特计数器的状态激活或去激活每个电阻电路来调节电导。

背景技术

本发明一般涉及可训练的电阻性交叉点器件—在此被称为电阻处理单元(RPU)—的配置，更具体地说，本发明涉及由电阻处理单元(RPU)的交叉杆阵列形成的人工神经网络(ANN)，其无需RPU之外的附加处理元件就能提供本地数据存储和本地数据处理，从而提高ANN实现诸如矩阵求逆、矩阵分解等算法的能力。

已知诸如计算机字符识别和图像识别之类的技术问题通过机器学习技术被很好地处理。“机器学习”被用于宽泛地描述从数据学习的电子系统的主要功能。在机器学习和认知科学中，ANN是由动物的生物神经网络—特别是大脑—所启发的一族统计学习模型。ANN可以用于估计或近似依赖于大量输入并且通常未知的系统和函数。交叉杆阵列是用于形成各种电子电路和器件高密度、低成本的电路结构，包括ANN结构、神经形态微芯片和超高密度非易失性存储器。一种基本的交叉杆阵列配置包括一组导电行线和与该组导电行线形成交叉的一组导电列线。这两组导线之间的交叉点由所谓的交叉点器件隔离。

发明内容

根据本发明的实施例，描述了一种用于在电阻处理单元(RPU)阵列的交叉点器件中存储权重的方法。该方法包括设置交叉点器件中的一组单比特计数器中的每个单比特计数器的状态，单比特计数器的状态表示要存储在交叉点器件处的权重。该方法还包括调整交叉点器件的电阻器器件的电导。电阻器器件包括一组电阻电路，并且每个电阻电路与该组单比特计数器中的相应单比特计数器相关联。通过根据相关联的单比特计数器的状态激活或去激活每个电阻电路来调节电阻器器件的电导。

根据本发明的实施例，描述了一种用于在RPU阵列中的交叉点处存储权重值的交叉点器件。交叉点器件包括具有一组单比特计数器的计数器，单比特计数器的状态表示要存储在交叉点器件处的权重。电阻器器件包括一组电阻电路，并且每个电阻电路与该组单比特计数器中的相应单比特计数器相关联。根据相关联的单比特计数器的状态来激活或去激活电阻电路，并且至少部分地基于被激活的电阻电路来调整电阻器器件的电导。

根据本发明的实施例，描述了一种用于实现神经网络的系统。该系统包括交叉点阵列，该交叉点阵列包括多个节点，其中，每个节点表示神经网络的神经元之间的连接，并且其中，每个节点存储分配给该节点的权重。该交叉点阵列包括在每个节点处的交叉点器件。交叉点器件包括具有多个单比特计数器的计数器，单比特计数器的状态代表要存储在交叉点器件处的权重。此外，交叉点器件包括具有多个电阻电路的电阻器器件，并且每个电阻电路与这些单比特计数器中的相应单比特计数器相关联。根据相关联的单比特计数器的状态来激活或去激活电阻电路，并且至少部分地基于被激活的电阻电路来调节电阻器器件的电导。此外，全局控制器调整存储在交叉点阵列中的每个交叉点器件处的值。

根据本发明的实施例，描述了一种用于实现神经网络的交叉点阵列。示例性交叉点阵列包括一组交叉点器件，交叉点器件位于交叉点阵列的相应节点处，每个节点表示神经网络的神经元之间的连接，并且每个节点存储分配给该节点的权重。交叉点器件包括具有单比特计数器的计数器，单比特计数器的状态代表要存储在交叉点器件处的权重。电阻器器件包括一组电阻电路，每个电阻电路与该组单比特计数器中的相应单比特计数器相关联。根据相关联的单比特计数器的状态来激活或去激活电阻电路，并且至少部分地基于被激活的电阻电路来调节电阻器器件的电导。