[发明专利]基于忆阻器交叉阵列神经网络加速器热效应优化方法

权利要求书

1.一种基于忆阻器交叉阵列神经网络加速器热效应优化方法,其特征在于：

所述神经网络加速器热效应方法包括如下步骤：

步骤一，建立快速温度分布计算模型：

首先自定义输入数据，将这些数据定义为功率值P得到实际功率矩阵，选取实际功率矩阵中的一点(x,y)的脉冲功率，利用脉冲功率除以体积得到脉冲热源值，然后将脉冲热源值输入进ANSYS软件中通过其有限元计算功能得到一个脉冲温度矩阵，最后将获取的脉冲温度矩阵和实际功率矩阵进行卷积运算再除以脉冲功率便得到实际的温度分布矩阵；

步骤二，建立MLP神经网络失效评估模型：将快速温度分布计算模型得到的实际温度T的分布矩阵应用在MLP神经网络失效评估模型中，得到MLP神经网络模型中实际温度T对权重值R_ON的影响；

步骤三，离线热优化的MLP神经网络模型映射，由向量矩阵的乘加运算特性可知，同时调整同一行的输入向量值和矩阵权重值的顺序并不影响向量矩阵乘计算结果，而在权值的映射过程中，对神经网络模型中输入值和模型权重值顺序进行调整，实现热的再分布，从而避免阵列结构内的局部异常高温，实现对热效应的优化；具体研究内容如下：

将步骤一热效应快速评估模型中得到的实际的温度T的分布矩阵利用贪婪算进行热行、冷行之间的交换，得到多个不同的换行方案，将交换后矩阵映射到离线状态下MLP神经网络中并求取忆阻器的精度值，选取最高精度值下对应的换行方案作为最优的映射方案。

2.根据权利要求1所述的一种基于忆阻器交叉阵列神经网络加速器热效应优化方法,其特征在于：

所述步骤一，建立快速温度分布计算模型中，具体建立步骤如下：

首先自定义输入数据，将这些数据定义为功率值P得到实际功率矩阵，以解析计算方法求得忆阻器神经网络加速器准确的全域温度分布，同时确保与传统数值计算方法获得的温度分布的最大误差不超过5％；建立以下温度分布快速计算模型，如式(1)所示：

式中T_δ(x,y,τ)表示脉冲信号热作用下在τ时刻基于忆阻器的神经网络加速器内(x,y)位置处的温度值，功率矩阵P为已知量，P(x,y,τ)表示在τ时刻基于忆阻器的神经网络加速器内(x,y)位置处的功率,P_δ(τ)表示在τ时刻脉冲信号热的功率，τ表示系统达到稳态温度分布时所用的时间，在公式(1)中，当t等于τ时，则得到快速温度分布计算模型；

选取实际功率矩阵中的一点(x,y)的脉冲功率，利用脉冲功率除以体积得到脉冲热源值，然后将脉冲热源值输入进ANSYS软件中通过其有限元计算功能得到一个脉冲温度矩阵，最后将获取的脉冲温度矩阵和实际功率矩阵进行卷积运算再除以脉冲功率便得到实际的温度分布矩阵；

将脉冲温度矩阵与功率矩阵进行卷积后便是实际温度分布，式(1)表示，将脉冲温度矩阵与功率矩阵进行卷积除以脉冲功率值便可得到实际温度T的分布矩阵。

3.根据权利要求2所述的一种基于忆阻器交叉阵列神经网络加速器热效应优化方法,其特征在于：

所述步骤一，建立快速温度分布计算模型中，选取实际功率矩阵中的一点(x,y)的脉冲功率时，选取的是矩阵的中心位置附近的点。

4.根据权利要求2所述的一种基于忆阻器交叉阵列神经网络加速器热效应优化方法,其特征在于：

所述步骤一，建立快速温度分布计算模型中，将脉冲温度矩阵与功率矩阵进行卷积后便是实际温度分布，卷积过程相当于是加入一个探针，将实际温度分布除以脉冲功率值便可得到实际温度T的分布矩阵，而最后除以脉冲功率则是去探针的过程。