[发明专利]用于三元计算的存储装置

说明书

本申请公开了一种存储装置。所述存储装置包括一对存储单元、模数转换器及处理电路。所述一对存储单元具有第一存储单元及第二存储单元。所述模数转换器具有第一输入端及第二输入端，用以将位于所述第一输入端的第一数据信号及位于所述第二输入端的第二数据信号转换为数字输出，所述数字输出表示与所述一对存储单元所存储的特定状态相关的数据值。所述处理电路耦接于所述第一存储单元的存储节点、所述第二存储单元的存储节点及所述第一、第二输入端，用以根据所述第一存储单元所存储的第一数据及所述第二存储单元所存储的第二数据选择性地调整所述第一数据信号与所述第二数据信号。所述存储装置能够在任一对存储单元实现零状态，并具有低功耗。

技术领域

本申请涉及存储装置，尤其涉及一种用于三元计算的存储装置。

背景技术

深度学习(deep learning)利用人工神经网络(artificial neural network)来训练机器，以模拟人脑的行为。通过训练的机器可以像人脑一样从大量数据中学习、对图像进行分类以及识别语音。卷积神经网络(convolutional neural network，CNN)是一种人工神经网络，已能成功应用于推荐系统(recommender system)、计算机视觉任务、图像/物体识别和自然语言处理(natural language processing)。卷积神经网络其中一个主要优点是它可以在不需要任何人工监督的情况下自动检测出重要特征。此外，卷积神经网络可以实现高精度和高计算效率。卷积神经网络可在存内计算系统(in-memory computingsystem)上运行，以位线计算为基础来有效地执行算术运算，从而减少耗能的数据传输。这些优势使卷积神经网络受到各界的关注。

目前已有大量的硬件加速器(hardware accelerator)应用于各种机器学习模型。此外，因为近来在人工神经网络中算法的进展，三元存储器存储(ternary memorystorage)变得越来越流行。由于基于三元存储器的系统为深度学习网络提供了较低的存储需求和更高的准确性，在卷积神经网络计算的领域中，正广泛地探索基于三元存储器的系统。

发明内容

有鉴于此，本申请的实施例公开了一种用于三元计算的存储装置。

本申请的某些实施例公开了一种存储装置。所述存储装置包括一对存储单元、模数转换器及处理电路。所述一对存储单元具有第一存储单元及第二存储单元。所述模数转换器具有第一输入端及第二输入端，用以将位于所述第一输入端的第一数据信号及位于所述第二输入端的第二数据信号转换为数字输出，所述数字输出表示与所述一对存储单元所存储的特定状态相关的数据值。所述处理电路耦接于所述第一存储单元的存储节点、所述第二存储单元的存储节点及所述模数转换器的所述第一、第二输入端；所述处理电路用以根据所述第一存储单元的所述存储节点所存储的第一数据以及所述第二存储单元的所述存储节点所存储的第二数据，选择性地调整所述第一数据信号与所述第二数据信号。所述第一数据与所述第二数据联合象征所述一对存储单元中所存储的多个状态。

本申请的某些实施例公开了一种存储装置。所述存储装置包括一对存储单元、第一开关、第二开关、第三开关、第四开关及信号产生电路。所述一对存储单元具有第一存储单元及第二存储单元。所述第一开关由所述第一存储单元的存储节点所存储的第一数据所控制，用以选择性地将第一连接端耦接于参考信号。所述第二开关由所述第二存储单元的存储节点所存储的第二数据所控制，用以选择性地将第二连接端耦接于所述参考信号。所述第三开关在所述第一连接端与第一数据端之间选择性地导通。所述第四开关在所述第二连接端与第二数据端之间选择性地导通。所述信号产生电路耦接于所述第一数据端与所述第二数据端，用以根据位于所述第一数据端的第一数据信号及位于所述第二数据端的第二数据信号产生输出信号。所述第一数据与所述第二数据联合象征所述一对存储单元中所存储的多个状态，以及所述输出信号表示与所述一对存储单元所存储的特定状态相关的数据值。