[发明专利]一种可转置存内计算电路及其实现方法

说明书

本发明公开了一种可转置存内计算电路及其实现方法。本发明可转置存内计算电路包括可转置存内计算阵列和外围电路，可转置存内计算阵列包括16个局域阵列，每一个局域阵列包括128个存储与计算列，128个存储与计算列通过行计算线连接到一起，位于同一列的存储与计算列通过总位线和总位线反连接到一起，每个存储与计算列包括8个六管存储单元和1个电荷计算单元，通过局域位线和局域位线反并联，外围电路包括字线驱动、读写外围电路、前传输入驱动电路、16个行模数转换器、16个8选1多路复用器、16个列模数转换器和总时序控制电路；本发明的转置功能能够让边缘端的智能芯片更低功耗的实现边缘端的重训练；同时，电荷域计算提高了计算的稳定性与精度。

技术领域

本发明涉及集成电路设计(integrated circuit design)领域，具体涉及一种可转置存内计算电路及其实现方法。

背景技术

近年来，深度学习(deep learning)算法在各个领域都取得非常不错的效果。同时，深度神经网络(deep neural networks)的参数规模也变得越来越大。这导致在使用传统的存算分离计算架构处理深度学习任务时，需要消耗很大的功耗在神经网络参数的搬运上，被称为存储墙(memory wall)问题。这个功耗问题使得深度学习算法很难被部署到对功耗要求很高的边缘端设备(edge device)。为了解决存储墙问题，一种新的计算架构,存内计算(in-memory-computing),在近几年被设计者提出。

存内计算电路由于其模拟计算的特点，以及并行处理的本质，使得它具体非常高的能效。近年来，各种新型的存内计算芯片被提出，依据其模拟计算的类型，将其分成两类:电流域(current domain)存内计算与电荷域(charge domain)存内计算。

在电流型存内计算芯片中，输入由电压控制，输入与权重的乘的结果体现为电流的大小。多个输入与权重的相乘后得到的电流叠加在同一计算节点上，对计算节点的电容进行放电，完成整个模拟域(analog domian)的乘累加(multiply-accumulate)操作。然而，由于晶体管(transistor)的阈值存在随机涨落(variation)，导致计算电流会出现与理想计算结果的偏移，使得计算精度受到影响。这一影响在先进工艺节点(advancedtechnology)格外严重。

而在电荷型存内计算芯片中，乘法的计算结果决定是否对一个计算电容充电，累加则是把这些计算电容接到一起进行电荷分享。计算电容往往是用“金属-氧化层-金属(metal-oxide-metal)”电容来实现，这种电容在先进工艺节点下精度很高，所以计算结果很准确。电荷型结构具有高精度的优势，但是需要额外晶体管来控制电容冲放电，导致计算单元面积(cell area)大于传统6管单元，存储与计算密度较低。

另外，处于隐私保护的目的，有些数据不能上传到云端(cloud)来训练神经网络。一个比较有效的解决办法是由公开数据集训练出一个通用的神经网络模型，然后下载到本地，再用用户自己的数据来微调(fine-tuning)这个通过神经网络模型的一部分，让这个神经网络能对每个人都达到最好的效果。这个解决方案需要在边缘端进行训练。然而神经网络的训练(training)不同于推测(inference)，训练需要取出权重矩阵的转置(transpose)，这在目前的存内计算芯片很少被支持。

因此，可转置且面积效率更高的电荷型存内计算电路对于神经网络在边缘端的部署非常重要。

发明内容

针对以上现有技术中存在的问题，本发明提出了一种可转置存内计算电路及其实现方法，基于电荷分享和六管存储单元电荷域计算，并且支持转置的计算。

本发明的一个目的在于提出一种可转置存内计算电路。

本发明的可转置存内计算电路包括可转置存内计算阵列和外围电路；

可转置存内计算阵列包括16×N个局域阵列，N为自然数；