[发明专利]基于列数据分割的低功耗可重构SRAM结构及数据存取方法

说明书

本发明提供一种基于列数据分割的低功耗可重构SRAM结构及数据存取方法，所述数据存取方法包括：提取每一个数据段的数据特征，并根据每一个数据段的数据特征配置对应的标志位，其中，数据存储阵列中的每一列数据被划分为多段形成多个数据段；根据每一个数据段的标志位，配置每一个数据段的工作模式；按照对应的工作模式从数据存储阵列中读取数据。本发明在不改变数据存储阵列每列数据中数据单元数量的条件下，对数据进行更细粒度的特征统计，将一列中的数据划分为多个段，对每一数据段进行数据特征的读取，并且分别配置每个段的工作模式，按照对应的工作模式读取数据，降低了整个数据存储阵列中数据读取的功耗。

技术领域

本发明实施例涉及数据读取技术领域，尤其涉及一种基于列数据分割的低功耗可重构SRAM结构及数据存取方法。

背景技术

随着人工智能的发展，机器学习(Machine Learning，ML)相关算法及理论广泛应用到各个领域，并取得了令人惊讶的效果。在众多机器学习算法中，神经网络算法模仿生物神经系统的行为特征对原始信息进行处理，并提取出高维特征，在模式识别领域受到了广泛的关注。其中，卷积神经网络(Convolutional Neural Network，CNN)在分类与识别领域表现出突出的优势。因此，低功耗电路设计变得越来越重要。一些电池供电的应用，如物联网系统，往往需要运行信号处理算法，如视频编码、对象分类和识别，这些算法涉及大量的SRAM(Static Random-Access Memory，静态随机存取存储器)访问，这些访问的功耗占片上功耗的一半。

此外，在许多算法，如运动估计和CNN(Convolutional Neural Networks，卷积神经网络)中，读操作的数量明显大于写操作的数量。为了降低SRAM的读取能耗，在硬件方面，主要涉及几种设计：亚阈值设计、存储器内部计算设计(Process in Memory,PIM)和可重新配置的数据自适应设计。其中，亚阈值设计通过降低SRAM中电源电压获得更高的能效，但是由于降低电源电压会使整个SRAM的性能和稳定性降低。存储器内部PIM设计可以消除一些固定参数的访问，通过在SRAM单元中执行计算来减少读取功耗，但该种方式对读取非固定参数并不能降低读取功耗，因此适用面较窄，且计算在模拟域进行会影响计算的精度。可重新配置的数据自适应SRAM方式为利用数据模式来设计电路结构，但是此种设计方案受限于SRAM阵列结构，若想收到较多的功耗降低，需要一列中的单元数量较少，但是这会降低SRAM的速度和可嵌入性。

发明内容

本发明实施例提供一种基于列数据分割的低功耗可重构SRAM结构及数据存取方法。

根据本发明的一个方面，提供了一种基于列数据分割的低功耗可重构SRAM结构，包括统计模块、标志存储阵列、预测模块、数据存储阵列和灵敏放大器；

所述统计模块，用于在向所述数据存储阵列写入数据时，提取每一个数据段的数据特征，并根据每一个数据段的数据特征配置对应的标志位，其中，数据存储阵列中的每一列数据被划分为多段,形成多个数据段；

所述标志存储阵列，用于以阵列的形式存储每一个所述数据段的标志位；

所述预测模块，用于从所述标志存储阵列读取每一个所述数据段的标志位，并根据所述标志位配置每一个所述数据段的工作模式；

所述灵敏放大器，用于按照对应的工作模式从所述数据存储阵列中读取数据。

在上述技术方案的基础上，本发明还可以作如下改进。

进一步的，所述数据存储阵列中每一列数据划分的段数和每一个所述数据段包含的数据单元数量是根据所述数据存储阵列的大小和所述标志存储阵列的大小所确定的。

进一步的，所述统计模块具体用于：

在向所述数据存储阵列写入数据时，统计每一个所述数据段的数据单元为“1”的个数x和为“0”的个数y，根据x和y的大小关系来确定所述数据段的标志位。