[发明专利]解压缩设备及其控制方法

说明书

提供了解压缩设备。该解压缩设备包括存储器、解码器和处理器，其中存储器配置为存储待被解压缩并在人工智能模型的神经网络处理中使用的压缩数据，解码器配置为包括与压缩数据的压缩方法相关的多个逻辑电路、基于压缩数据的输入通过多个逻辑电路对压缩数据进行解压缩、并且输出解压缩数据，处理器配置为从解码器输出的数据中获得神经网络可处理形式的数据。

相关申请的交叉引用

本申请要求并基于2019年5月24日在韩国知识产权局提交的第10-2019-0060991号韩国专利申请、2019年9月23日在韩国知识产权局提交的第10-2019-0117081号韩国专利申请以及2019年11月6日在韩国知识产权局提交的第10-2019-0140720号韩国专利申请的优先权，这些韩国专利申请的每一者的全部公开内容以引用的方式并入本文中。

技术领域

本公开涉及用于对人工智能(AI)系统中的压缩人工智能模型进行解压缩的解压缩设备及其控制方法，该AI系统使用诸如深度学习的机器学习算法及其应用程序来模拟人脑的认知和判断功能。

背景技术

近年来，在使深度学习模型的性能退化最小化的同时，已使用修剪和量化来增加压缩率。例如，等于某个值或更小的权重被修剪为零的权重矩阵可以划分成表示非零值的第一数据集、累积每行非零权重数目的第二数据以及存储与每个非零值对应的列索引的第三数据。此后，可以对第一至第三数据进行量化。另一方面，权重矩阵可以以矩阵形式表示深度学习模型的权重参数。

然而，为了从经量化的数据恢复原始权重矩阵，需要释放量化并从第一至第三数据恢复原始权重矩阵的过程。也就是说，在恢复原始权重矩阵之前，不可能将经量化的数据划分成多个群组并且并行处理每个群组。

因此，正在积极地研究以在压缩过程中保持准确度并同时增加压缩率，并且在解压缩过程中通过并行处理来确保操作速度。

上述信息仅作为背景信息来呈现以帮助理解本公开。对于上述任何内容是否可用作相对于本公开的现有技术，尚未做出确定，也没有做出断言。

发明内容

本公开的各方面旨在至少解决上述问题和/或缺点，并至少提供下面描述的优点。因此，本公开的一方面提供了一种解压缩设备和用于该解压缩设备的方法。

附加方面将部分地在随后的描述中阐述，并且部分地将从所述描述中显而易见，或者可以通过所呈现的实施方式的实践来了解。

根据本公开的一方面，提供了一种解压缩设备。该解压缩设备包括存储器、解码器和处理器，其中存储器配置为存储待被解压缩并在人工智能模型的神经网络处理中使用的压缩数据，解码器配置为包括与压缩数据的压缩方法相关的多个逻辑电路、基于压缩数据的输入通过多个逻辑电路对压缩数据进行解压缩、并且输出解压缩数据，处理器配置为从解码器输出的数据中获得神经网络可处理形式的数据。

存储器进一步配置为存储对应于压缩数据的代表值矩阵，其中处理器进一步配置为：基于解压缩数据和代表值矩阵获得神经网络可处理形式的数据，并且使用神经网络可处理形式的数据执行神经网络处理，并且其中解压缩数据和代表值矩阵包括通过量化人工智能模型中所包括的原始矩阵获得的矩阵。

存储器进一步配置为存储对应于压缩数据的修剪索引矩阵，其中处理器进一步配置为基于修剪索引矩阵更新解压缩数据，其中修剪索引矩阵包括在原始矩阵的修剪过程中获得的矩阵，并且其中修剪索引矩阵在获得压缩数据的过程中使用。

存储器配置为进一步存储对应于压缩数据的补丁信息，其中处理器进一步配置为基于补丁信息改变解压缩数据中所包括的多个元素的至少一个元素的二进制数据值，并且其中补丁信息包括在获得压缩数据的过程中生成的误差信息。