[发明专利]一种低硬件开销的分段线性函数的硬件实现方法

说明书

本发明公开了一种低硬件开销的分段线性函数的硬件实现方法，该实现方法可用于对双重峰STDP规则（PSTDP），三重峰STDP规则（TSTDP），强化STDP规则（RL‑STDP）等进行硬件实现，该方法在有输入值时优先判断输入值所在分段，对处于任何分段的输入值，都可以利用信号控制完成两次移位运算和两次加法运算，得到函数计算结果，从而避免了为函数的每个分段设计运算电路，低硬件开销的实现了分段线性函数。该实现方法设计的电路包括有移位寄存器，多路选择器，加法器等结构，该方法面向神经网络硬件加速，减少了电路资源的使用，提升了计算效率，具有低面积低功耗的特点，可减少指数函数实现的硬件规模，提升网络的计算效能。

技术领域

本发明涉及人工智能及集成电路技术领域，具体为一种低硬件开销的分段线性函数的硬件实现方法。

背景技术

随着人工智能的蓬勃发展，很多行业和领域都开始运用人工智能来解决实际问题，人工智能技术被广泛地应用于图像识别，语音识别，医疗卫生以及自动驾驶等各个领域。人工智能的快速发展得益于各种学习算法的研究突破，其中脉冲神经网络（SNN）是一种基于离散神经脉冲进行信息处理的神经网络，它具有更高的生物学可信度和更有效的计算能力。

传统上，SNN以软件的方式实现为主，但软件实现无法充分利用神经网络高并行性的特点，处理速度慢、且功耗高。为了充分利用脉冲神经网络的优点，工业界和学术界开始对脉冲神经网络进行硬件实现：英国帝国理工大学的D.Goodman研发了脉冲神经网络的仿真平台Brian，目前已经进行到了第二代BRINA2；德国奥地利的W.Maass对脉冲神经元模型、网络拓扑结构，和相关应用进行了研究;日本东京大学N.kubota等将SNN应用到助力机器人以及行走机器人上。目前国内也开始重视脉冲神经网络的研究，在2019年末，清华大学的团队研发出了第一款可以同时支持脉冲神经网络和人工神经网络的“天机芯”，并且实时的演示其在无人驾驶领域的强大计算力，体现出了脉冲神经网络的应用潜力。

从网络的构成上来说，神经网络的主体由单个神经元构成，大量的神经元通过突触互连形成了神经网络。突触的权重会影响神经元之间的刺激程度，进而影响神经网络的判别结果。因此神经网络的学习，就是调整突触权重的过程，STDP就是一种最常见的权重调整规则，因此它是脉冲神经网络的重要组成部分，承担着训练网络，让网络进行学习的任务。STDP规则的硬件实现具有重要意义，为此，提出一种低硬件开销的分段线性函数的硬件实现方法。

发明内容

针对现有技术的不足，本发明提供了一种低硬件开销的分段线性函数的硬件实现方法，

一种低硬件开销的分段线性函数的硬件实现方法，分段线性函数实现方法包括以下步骤：

步骤一、确定指数函数的时间窗范围，范围之外的值近似为零；

步骤二、将STDP规则中的指数函数近似为分段线性函数，即各分段的表达式均为Y=a*Δt+b的形式；

步骤三、根据各分段的表达式，给每个分段设计对应的移位信号和，以及截距b的值；

步骤四、有Δt输入时，判断Δt所在的分段，用分段信号S表示Δt所在的分段；

步骤五、根据分段信号S，通过多路选择器选择相应的移位信号和以及截距值b的值；

步骤六、将Δt右移位，保存在寄存器1中；

步骤七、将第一次移位的结果右移位，保存在寄存器2中；

步骤八、利用加法器将寄存器1和2的值相加，得到a*Δt的值；

步骤九、利用加法器将a*Δt的值与b的值相加，得到分段线性函数的值，即指数函数的近似值；

步骤十、利用加法器，移位寄存器，乘法器，完成STDP规则中与参数相关的常规运算。

优选的，步骤二中a设置为2的幂或2的幂的线性组合。