[发明专利]可编程阻抗

说明书

一种可编程阻抗元件，包括多个在标称上相同的二端口元件，每个二端口元件具有阻抗元件和两个开关，所述二端口元件以具有结构化的开关组的链的方式布置，使得通过动态地改变单元中的阻抗元件之间的连接，可以从每个单元获得一定范围的阻抗。通过以如下方式连接标称相同的两端口阻抗元件来构造共同单元，即，将阻抗元件的可能组合的数量减少到使用最小可能数量的连接的所有可能组合的子集。这种结构允许使用工业标准器件来产生匹配的阻抗。阻抗元件之间的连接是开关，所述开关可以是“现场可编程的”，即，其可以在制造之后在芯片上设置并在电路的操作期间进行配置或者可以是掩模可编程的。

相关申请的交叉引用

本申请要求于2019年3月3日提交的临时申请第62/813,121号的优先权，其全部内容通过引用并入本文。

技术领域

本发明通常涉及模拟集成电路，并且更具体地涉及包含具有阻抗的元件的这样的电路。

背景技术

随着人工智能(AI)变得越来越普遍和有用，设计人员正在寻找更好的方式来实现AI中使用的神经网络起作用所需要的数学运算。在某些情况下，可以在模拟计算机而不是数字计算机中实现AI网络。对此是有商业原因的，因为模拟电路通常能够具有比其数字等效电路高的速度和低的功耗。

如本领域中已知的，神经网络中的公共层操作由下式给出：

Y_i＝σ(A_ij·X_j+C_i) (式1)

其中，A_ij是二维阵列，并且X_j是输入量的向量(存在重复索引的隐式求和，在这种情况下是对j的求和，即爱因斯坦标记法)。激活函数σ通常是例如双曲正切函数，并且C_i是激活阈值。

神经网络的模拟实现的挑战之一是在层的每个神经元中需要的乘法运算，即，上面的式1中的A*X的乘法。此外，每个乘法运算可能要求输入值的不同权重。已经提出了诸如R-2R梯形网络、忆阻器和电荷存储器件的解决方案来实现乘法运算。出于各种原因，这些都不是理想的。

例如，以模拟方式操作的R-2R梯形网络和电荷存储器件(即，产生一定分辨率的通道电导的名义上的连续变化)需要“探针电流”来访问值；因此，为了观察通道电导或R-2R阶梯设置，必须流过一定的电流，该电流会产生一定的电压，电阻值则是电压除以电流(V/I)。由于基于这些原理构建的有用网络可能具有例如一百万个元件，甚至每个元件中的100纳安(nA)的小探针电流也可能引起100毫安(mA)的总电流消耗。

在神经网络的模拟实现中使用权重是特别具有挑战性的，这往往会限制模拟电路在AI中的适用性。存在考虑可适应权重的实现技术，例如电容器、浮栅晶体管、电荷耦合器件(CCD)等。然而，这些技术都面临各种问题，例如，制造期间整个芯片的过程参数变化、有限的存储次数(即信息的易变性)以及缺乏与标准的超大规模集成(VLSI)处理技术的兼容性。

电阻器容易表示权重，并且长期以来被认为是对神经网络中所需要的可调权重的可能解决方案。例如，图1是20年前建议作为T模型网络中的单元的所谓T模型模拟神经元的图。如图1所示，T模型模拟神经元依靠可变电阻Ti1至Tii-1以得到必要的可调权重。

然而，在制造包含电阻器的电路芯片之后，电阻器尚不适用。因此，用固定元件(例如电阻器)制成的芯片只能够执行具有两个阶段的更通用的AI解决方案的一个方面。在第一阶段，AI网络通过新兴的AI方法领域的技术人员熟知的各种手段进行学习。这称为“训练”。一旦已经进行了学习，则向AI网络提供新数据，并将所学习的值应用于该新数据。该第二阶段称为“推理”。