[发明专利]存储器中的人工神经网络训练

说明书

设备和方法可与实施基于年龄的网络训练相关。可通过将错误引入到人工神经网络(ANN)中来训练所述ANN。引入到所述ANN中的所述错误和错误数量可基于存储器装置的基于年龄的特性。

技术领域

本公开大体上涉及存储器，且更具体地说，涉及与基于年龄的网络训练相关联的设备和方法。

背景技术

通常提供存储器装置作为计算机或其它电子装置中的内部件、半导体、集成电路。存在许多不同类型的存储器，包含易失性和非易失性存储器。易失性存储器可能需要电力来维持其数据，且包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)以及同步动态随机存取存储器(SDRAM)，等。非易失性存储器可通过当未被供电时保持所存储的数据而提供持久的数据，且可包含NAND快闪存储器、NOR快闪存储器、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、可擦除可编程ROM(EPROM)以及电阻可变存储器，诸如相变随机存取存储器(PCRAM)、电阻式随机存取存储器(RRAM)以及磁阻式随机存取存储器(MRAM)，等。

还利用存储器作为用于广泛范围的电子应用的易失性和非易失性数据存储装置，所述电子应用包含但不限于个人计算机、便携式存储棒、数码相机、蜂窝电话、便携式音乐播放器(诸如MP3播放器)、电影播放器以及其它电子装置。存储器单元可布置成阵列，其中所述阵列在存储器装置中使用。

附图说明

图1为根据本公开的若干实施例的呈包含存储器装置的计算系统形式的设备的框图。

图2说明根据本公开的若干实施例的存储器中的人工神经网络训练。

图3说明根据本公开的若干实施例的用于存储器中的人工神经网络训练的方法的实例流程图。

图4说明计算机系统的实例机器，可在计算机系统内执行指令集以使机器执行本文中所论述的各种方法。

具体实施方式

本公开包含基于年龄的网络训练相关的设备和方法。可将网络的训练自定义为存储器装置的年龄。网络可为若干不同类型的深度学习网络中的任一个，例如，人工神经网络(ANN)。尽管本文中所描述的实例是就ANN而言被提供，但本文中所描述的实例也可应用于不同类型的网络。

如本文中所使用，ANN可通过在输入与输出之间形成概率权重关联来提供学习。可通过包括ANN的多个节点来提供概率权重关联。节点与权重、偏置以及激活函数一起可用于基于到ANN的输入而产生ANN的输出。

便宜且高能效的人工智能(AI)加速器，诸如深度学习加速器(DLA)可在同一裸片、衬底上实施，或被插入作为存储器装置的存储器阵列。DLA接近存储器阵列的这一位置可称为存储器装置的边缘。存储器装置的边缘还可指存储器装置的除存储器装置的由存储器阵列和/或感测电路系统占据的区域以外的区域。举例来说，存储器装置的边缘可指存储器装置的输出和/或输入路径，其中输出路径和/或输入路径用于从存储器装置的存储器阵列存储和/或读取数据。在一些实例中，DLA在物理上位于存储器阵列下方的逻辑中(例如，在阵列下方的CMOS中)集成到存储器阵列的外围中。

如本文中所使用，AI是指通过“学习”来改进机器的能力，诸如通过存储可在稍后用于采取动作的模式和/或实例。深度学习是指装置从作为实例提供的数据学习的能力。深度学习可为AI的子集。神经网络以及其它类型的网络可以被分类为深度学习。深度学习加速器的低功率、便宜设计可在物联网(IOT)装置中实施。边缘DLA可在运行时进行处理且作出智能决策。包含边缘DLA的存储器装置还可部署在远程位置而没有云端或卸载能力。由于实施应用的区域多样化，在远程位置维持和重新部署包括DLA的有缺陷/有故障/老化装置的成本可能远远超出装置自身的成本。装置(诸如存储器装置)的年龄可促使装置所经历的错误。如本文中所使用，装置所经历的错误包含装置因其年龄和/或使用而经历的错误。可对存储器装置的年龄进行建模和/或模拟。随着时间推移，服务质量可因老化而丧失。服务质量丧失可使得装置不再可用于深度学习应用的目的。