[发明专利]一种面向RRAM存内计算系统阵列结构优化的方法

说明书

本发明公开了一种面向RRAM存内计算系统阵列结构优化的方法，主要是利用后训练量化算法中的相应公式对基于RRAM的存内计算系统阵列结构进行优化处理，在保证计算准确率和精度的情况下，减小阵列面积，降低系统功耗。本发明的有益效果是：本发明适配于多层感知机和卷积神经网络等多种神经网络，在相同计算情况下，通过减半1T1R阵列规模，有效减少系统面积、降低系统能耗，提升系统计算效率，结合RRAM器件制备工艺不够成熟的现状，更适用于商业化落地；本发明在CNN卷积层的卷积核数量增多的情况下，阵列规模是常规技术的一半，但额外添加计算Xsubgt;Z/subgt;Wsubgt;Q/subgt;和Xsubgt;Q/subgt;Wsubgt;Z/subgt;的乘法器数量保持不变，系统总体性能优势十分显著。

技术领域

本发明涉及内存计算技术领域，具体为一种面向RRAM存内计算系统阵列结构优化的方法。

背景技术

随着科学技术的高速发展，我们已经迈入了“大数据”时代，各种信息数据不断爆发式增长，这对存储与计算技术提出了更高的要求。传统的计算机采用冯·诺依曼体系架构，存储器与处理器各自独立。二者之间的数据交换频繁，但数据交换链路窄、功耗高，在计算和存储之间形成了一道“存储墙”，大大影响了先进处理器的高性能发挥。因此发展新的存储计算体系至关重要，而近年来提出的存内计算架构将存储和运算合二为一，能有效减小数据传输的负荷，降低数据计算的能耗，提高信息处理的效率。

存内计算技术通常利用非易失性存储器的物理电学特性，在保证非易失性存储的同时，直接在存储器中完成计算。这有效避免了存储与计算的高频次数据交互，从而能够突破“存储墙”的限制，大大提升数据处理的能力。在这些非易失性存储器中，阻变存储器（RRAM）由于其结构简单、读写快、能耗低以及CMOS工艺兼容性好等特点而备受关注。RRAM在特定的电压激励信号作用下会发生电阻状态的转变，借助这一电学特性，将电压高低电平分别表示数字“1”和“0”，器件高低阻态分别表示“0”与“1”，结合欧姆定律，流经器件的电流经采集量化后，即为数字乘法计算结果。当RRAM器件扩展为交叉阵列结构后，能够完成乘积累加运算（MAC），进而实现矩阵运算。RRAM阵列的这种矩阵存储计算能力非常适用于神经网络的密集型计算应用需求，所以在神经网络加速器领域有着广阔的应用前景。

但在目前基于RRAM的存内计算神经网络加速器中，由于1T1R阵列在存储权重矩阵时只能存储无符号数，所以通常会采用两个器件结构来共同表示有符号数，即神经网络中的正负权重。其中，常见的处理方式有以下三类：

1，如图1所示的2T2R结构阵列，将两个1T1R单元组成一对存储有符号数的正负值，用以表示正负权值；对它们施加等效的正、负电压脉冲信号，列末采集到的累积电流经量化后得到最终乘法累加计算结果；

2，如图2所示的1T1R正负行结构阵列，一个权重矩阵的所有权值被映射到两个1T1R电导行，一行是正权值，具有正脉冲输入，另一行是负权值，具有等效的负脉冲输入；将编码脉冲输入位线后，采集两行累积输出电流，相减后即为计算结果；

3，如图3所示的1T1R正负双阵列结构，构建两个1T1R阵列，分别存储正负权重，输入等效电压信号，最后将计算结果相减得到最终计算结果。

由于RRAM器件工艺制备技术还不够成熟，所以大规模阵列的制造还面临很多挑战，同时为了抑制串扰问题，采用上述三种阵列结构进行存储计算，但是在表示一个有符号数时都需要双倍的1T1R资源，大大增加了存内计算系统面积和能耗。

发明内容

本发明的目的在于提供一种面向RRAM存内计算系统阵列结构优化的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案，一种面向RRAM存内计算系统阵列结构优化的方法，包括如下步骤:

步骤一，将图像数据和神经网络权重数据进行后训练量化，经过量化公式