[发明专利]一种面向亿级神经元类脑计算机的芯片扩展方法

说明书

本发明公开了一种面向亿级神经元类脑计算机的芯片扩展方法，包括以下步骤：通过以太网通信模块为所述面向亿级神经元类脑计算机拓展连接多个芯片簇，组成计算集群；通过数据中转站为每个芯片簇拓展连接多个芯片阵列；通过异步数据通信模块为每个芯片阵列拓展连接矩阵排列的多个类脑计算芯片，每个类脑计算芯片包含以矩阵排列的多个计算神经元节点。该芯片扩展方法高效率、灵活、且具有层次化，能够将类脑计算芯片神经元规模提升至上亿级别。

技术领域

本发明属于人工智能计算芯片领域，具体涉及一种面向亿级神经元类脑计算机的芯片扩展方法。

背景技术

随着摩尔定律的到达物理器件的瓶颈，传统的冯诺依曼体系结构的计算机由于“内存墙”、“功耗墙”等原因，其计算性能已经无法维持高速的增长。如何在提高计算性能的同时降低功耗成为一个日益严峻的问题。随后人们将目光转向了人脑，人脑是一个高度发达的计算体系结构，其在完成高性能的计算的同时，仅仅用了不到20W的功耗。同时人脑在形象认知方面有其独特的优越性，也具有传统计算机架构无可比拟的鲁棒性、容错率。人类的大脑由许许多多的神经元组成，具有突触、轴突、胞体等结构，近些年来兴起的人工神经网络是对人脑结构的模仿，抽象出其层级结构和神经元互联的特性。人工神经网络虽然实现了较好的计算性能，但是消耗了大量的能量。因此人们对人脑进行生物级的模仿，产生了类脑计算芯片。

类脑计算芯片从根本上解决了传统冯诺依曼架构“内存墙”的问题。类脑计算芯片采用片上网络(NoC)作为其通信架构，使用网格式拓扑结构，每个路由器上挂载一个计算单元。每个计算单元都拥有自己的本地存储。这种存算一体的结构大大减少了数据的搬运所消耗的时间和功耗，并且将计算分布在各个节点，进行大规模的并行计算，进一步提高了计算效率。类脑计算硬件设备最大的优势就是低功耗，因此它可以应用到对能效要求较高的领域，如智能穿戴设备及物联网技术等。

脉冲神经网络是类脑计算芯片的算法基石。神经学家认为大脑拥有如此出色的性能主要基于三个特性：大量而又广泛的连接、同时具有时间和空间特性的信息传递方式和本地存储的突触结构。脉冲神经网络正是应用这三个特性而诞生的第三代神经网络，相较于现行的深度神经网络，它采用时序脉冲作为信息传递的媒介，其算法本身具有事务驱动的特性，符合硬件低功耗设计的思想，易于硬件实现。脉冲神经网络大部分采用小样本、无监督式学习方法，相较于深度神经网络的学习数据量需求较小，计算流程较短，容错率和鲁棒性较高。脉冲神经网络对有认知型任务有着独特的优势，实现脉冲神经网络计算硬件也是对传统计算机的补充与突破。

人脑的单个神经元只有简单的功能，但是上亿个神经元组成一个庞大的神经元计算集群，通过简单的学习便可以完成各式各样的复杂任务。因此，类脑计算芯片的大规模扩展仍然该领域发展进程上的关键问题，芯片间的通信效率和芯片群的协调与管理都是规模扩展的瓶颈之处。

发明内容

本发明的目的就是提供一种面向亿级神经元类脑计算机的芯片扩展方法，该芯片扩展方法高效率、灵活、且具有层次化，能够将类脑计算芯片规模提升至上亿级别。

为实现上述发明目的，本发明提供的技术方案为：

一种面向亿级神经元类脑计算机的芯片扩展方法，包括以下步骤：

通过以太网通信模块为所述面向亿级神经元类脑计算机拓展连接多个芯片簇，组成计算集群；

通过数据中转站为每个芯片簇拓展连接多个芯片阵列；

通过异步数据通信模块为每个芯片阵列拓展连接矩阵排列的多个类脑计算芯片，每个类脑计算芯片包含以矩阵排列的多个计算神经元节点。

所述异步数据通信模块作为每个类脑计算芯片的通信桥梁，包括异步收发接口、并行分发单元、串行仲裁单元；

所述异步收发接口异步接收和发送传输数据；