[发明专利]一种基于三维相变存储器的3D卷积运算装置及方法

说明书

本发明公开了一种基于三维相变存储器的3D卷积运算装置及方法，包括三维相变存储器、输入控制模块、置态模块、输出控制模块；通过采用三维相变存储器进行3D卷积运算，其同一位线上的相变单元构成相变单元阵列，对应一个卷积核；基于三维相变存储器的多层堆叠结构，将三维相变存储器的上、下层电极作为信息输入端，经过各自的相变单元阵列后进行卷积，所得卷积结果以电流形式在中层电极上进行叠加，得到上、下层电极输入信息的卷积计算结果之和，一步完成3D卷积运算。运算速度较快，运算功耗也小。另外，三维相变存储器包含立体结构的存储器阵列，占地面积小，集成度高，可以在更小的占地面积下大大提高了3D卷积运算速度。

技术领域

本发明属于微电子器件领域，更具体地，涉及一种基于三维相变存储器的3D卷积运算装置及方法。

背景技术

卷积神经网络(Convolutional Neural network，CNN)是一种包含卷积运算的前馈神经网络。它包括卷积层，池化层，以及全连接层。数据从卷积层输入，在卷积层中通过卷积核对输入数据进行卷积运算，提取出特征值，再通过池化层压缩数据和参数的数量，经过若干次卷积加池化之后，数据通过全连接层，作为分类器使用。卷积神经网络以其局部权值共享的特殊结构在模式识别方面有着独特的优越性，权值共享降低了网络的复杂性，在机器学习，语言识别和图像识别等领域有着广泛应用。

3D卷积神经网络在普通卷积神经网络的基础上，增加了时间这个维度，通过计算相近临时间的输入信息，网络可以提取时间之间某种相关性，从而从图像处理进步到视频处理。

但是卷积神经网络要进行大量的矩阵运算，即卷积过程，这是计算机中央处理器CPU所不擅长的，会导致训练的时间过长。而基于算法本身上的优化加速并不能解决根本问题。由于存储器阵列具有交叉结构，天然的可以快速实现卷积运算，被大量运用于卷积神经网络中，来实现其中的卷积运算，并取得了良好的效果。

现有的3D卷积运算方法采用多个平面结构的存储器阵列来实现。这种方法在做3D卷积运算时，如处理视频这类问题时，每一帧图像均需要在各自的存储阵列进行卷积运算，然后通过整合模块，将相邻两帧图像的卷积运算结果进行加和得到3D卷积运算结果，这种分步计算方法使得其运算速度较慢，运行功耗大。另外，在处理每一帧图像时都需要一个平面结构的存储阵列进行卷积运算，需要大量的存储阵列，占用面积较大，给高密度集成造成了一定的困扰。

综上所述，提供一种运算速度较快的3D卷积运算装置及方法是亟待解决的问题。

发明内容

针对现有技术的缺陷，本发明的目的在于提出一种基于三维相变存储器的3D卷积运算装置及方法，旨在解决现有技术在进行3D卷积运算时由于需要对相邻两次输入数据分别进行卷积运算后再采用整合模块进行加和进行分步运算而导致的运算速度较慢的问题。

为实现上述目的，本发明一方面提出了一种基于三维相变存储器的3D卷积运算装置，包括三维相变存储器、输入控制模块、置态模块、输出控制模块；

其中，三维相变存储器包括上层电极、下层电极、相变单元、中层电极；输入控制模块分别与上层电极和下层电极相连，置态模块与相变单元相连、输出控制模块与中层电极相连；

三维相变存储器用于基于其多层堆叠结构同时实现上、下层电极输入信息与各自卷积核的卷积运算过程及其卷积运算结果的加和过程，从而一步完成3D卷积运算，运算速度较快；

输入控制模块用于分别将相邻两组输入信息拆分为与三维相变存储器列数相同的信息块，并转换成相应的电压幅值，然后依次同时将各组的信息块分别输入到三维相变存储器的上层电极和下层电极中；

置态模块用于基于卷积核数值调节各相变单元的电导值；

输出控制模块用于检测三维相变存储器中层电极输出的电流，并转化成电压信息，即为3D卷积运算结果。