[发明专利]软件定义变结构计算架构及利用其实现的左右脑一体化资源联合分配方法

说明书

本发明属于信号处理及深度学习技术领域，特别涉及一种软件定义变结构计算架构及利用其实现的左右脑一体化资源联合分配方法，基于拟态计算思想通过建立能够满足传统信号处理与深度学习全流程计算需求的左右脑一体化软件定义变结构计算实现左脑高精度信号处理与右脑低精度深度学习。本发明基于拟态计算思想通过建立混合颗粒度的异构构件化计算资源池、分布式层次化存储结构以及软件定义互连结构，根据任务计算需求与负载变化实现软件定义灵活变结构的左右脑计算方法，一方面解决传统信号处理与深度学习的高效衔接与一体化实现，另一方面通过软件定义变结构计算解决传统信号处理与深度学习的高性能、高效能以及高灵活实现问题，具有较好的应用前景。

技术领域

本发明属于信号处理及深度学习技术领域，特别涉及一种软件定义变结构计算架构及利用其实现的左右脑一体化资源联合分配方法。

背景技术

上世纪60年代，美国心理生物学家斯佩里博士通过割裂脑实验的研究提出了左右脑分工理论，即左脑主要负责逻辑思维，右脑主要负责形象思维。虽然后续研究证明该理论有失偏颇，但在以高精度信息处理为代表的科学计算依然重要且以低精度深度学习为代表的人工智能快速发展的当前，左脑逻辑思维与右脑形象思维分工合作的理论为未来智能计算系统的发展提供了一种研究思路。本发明正是基于这样的思路提出的。事实上，从当前人工智能应用的处理流程来看，不论是图像、语音还是文本识别，从原始信号/信息采集到深度学习处理之间仍然需要大量基于传统信号处理方法的信号/信息预处理操作。因此，一个完整的人工智能计算系统不仅应该包括深度学习计算模块本身，而且应当包含传统信号处理模块进行信号/信息预处理，即“左脑”与“右脑”兼备，且两者高效合作。

但是因为传统信号处理(“左脑”)与深度学习(“右脑”)在计算算法、计算流程以及计算精度等层面存在较大差异，所以两者在不仅在算法层面的研究呈相对割裂的态势，而且各自的处理系统设计往往也泾渭分明。例如传统信号处理系统往往基于DSP芯片或CPU+FPGA芯片设计，而深度学习计算系统则多采用GPU、ASIC或可重构计算芯片设计。如果将这两类分立的计算模块简单叠加构成计算系统，不仅会导致功耗的大幅增加，而且模块间通信往往会带来计算系统的性能瓶颈。更进一步，上述各类计算芯片在计算性能、计算效能以及计算灵活性等方面各有优劣，均难以满足多样化应用条件下高性能、高效能以及高灵活的计算需求。

发明内容

为此，本发明提供一种软件定义变结构计算架构及利用其实现的左右脑一体化资源联合分配方法，基于拟态计算思想通过建立能够满足传统信号处理与深度学习全流程计算需求的左右脑一体化软件定义变结构计算来满足人工智能计算系统多样化应用条件下高性能、高效能以及高灵活的计算需求。

按照本发明所提供的设计方案，提供一种软件定义变结构计算架构，包含如下内容：用于信号处理的左脑可重构计算阵列结构，用于深度学习的右脑可重构计算阵列结构，及用于依据外部输入数据和/或外部输入配置对计算任务分解并形成相应计算结构配置的系统控制模块，系统控制模块利用软件定义互连网络将分解的计算任务加载到与计算结构配置相对应的左脑可重构计算阵列结构和/或右脑可重构计算阵列结构，利用左脑可重构计算阵列结构和/或右脑可重构计算阵列结构中算粒完成计算任务。

作为本发明软件定义变结构计算架构，进一步地，所述左脑可重构计算阵列结构包含：由计算单元PE1组成的粗粒度浮点数可重构阵列，由嵌入式FPGA组成的细粒度可重构阵列，利用软件运行计算任务的DSP核，及用于计算资源互连的互连网络，其中，计算单元PE1为用于信号处理计算的硬件逻辑计算构件。

作为本发明软件定义变结构计算架构，进一步地，所述右脑可重构计算阵列结构包含：由计算单元PE2组成的粗粒度定点数可重构阵列，由嵌入式FPGA组成的细粒度可重构阵列，及利用软件运行计算任务的实时处理器，及用于计算资源互连的互连网络，其中，计算单元PE2为用于深度学习的硬件逻辑计算构件。

作为本发明软件定义变结构计算架构，进一步地，还包含：用于原始数据、中间计算数据及最终计算数据存储的分布式层次化存储结构。