[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

说明书

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,包括：步骤一，建立快速温度分布计算模型：选取实际功率矩阵中的一点的脉冲功率除以体积得到脉冲热源值，将脉冲热源值输入进ANSYS软件中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后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对权重值的影响；步骤三，离线热优化的MLP神经网络模型映射。本设计不仅优化忆阻器阵列的排布，而且减小温度上升对忆阻器所带来的影响，提高神经网络离线训练过程的精度。

技术领域

本发明涉及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，具体适用于降低忆阻器热效应、提高忆阻器计算精度。

背景技术

近年随着神经网络的深入研究，其规模越来越大，为神经网络模型的计算系统带来巨大挑战，对传统的冯诺依曼架构也带来了挑战。而忆阻器能够在同一器件单元进行数据处理和存储功能，有望实现存储计算一体化结构，因此被广泛关注。忆阻器是电路元器件中的第四种基本单元，具有高集成度，能构建大规模的交叉阵列结构，忆阻器阵列具有模拟特性，它基于自身构建的交叉阵列的欧姆定律和基尔霍夫定律，能够并行的处理矩阵的向量乘加运算，大大缩短了时间。由于其高速和低成本的原因，忆阻器被广泛用于实现神经网络加速器的研究中。在训练过程中，能并行处理权重更新操作，显著减少了神经网络算法的训练时间。

虽然忆阻器已展现出很多优势，但一个问题也显露出来了，即热问题。忆阻器单元的热效应会严重降低基于忆阻器的加速器的计算精度。C.Walczyk发现在213～413K的环境温度范围内温度的变化会导致器件特性的变化，随着温度的升高，忆阻器的电导值也会相应改变，开态电导会显著降低，比值会降低一半，关态电导会有小幅度的增高。近两年来，这个问题逐渐引起了人们的关注。忆阻器电阻对热很敏感，而在运算的过程中器件可能会发热，导致温度变化，影响忆阻器单元的电导值，从而使得权值的映射过程有误差，影响计算精度。当连续工作时，累计的热会影响更多的阵列单元，越来越多的权值在推理的过程中被错误表示，使神经网络失去准确性。X.Liu等研究了由于热效应导致电导窗口的变化，从而引发基于忆阻器神经网络加速器准确率的影响。以四种神经网络结果为例，发现四种网络模型的准确率均降低了90％以上，极大的影响了忆阻器神经网络加速器的性能。因此解决热带来的影响也越发重要。

发明内容

本发明的目的是克服现有技术中存在的忆阻器发生热效应计算精度降低的问题，提供了一种降低电导提高精度的基于忆阻器交叉阵列神经网络加速器热效应优化方法

为实现以上目的，本发明的技术解决方案是：

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,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：