手机知网 App
24小时专家级知识服务
打 开
无线电电子学
仿生信息器件忆阻器与类脑芯片关键技术研究
近年来,深度卷积神经网络(DCNN, Deep Convolutional Neural Network)的研究热潮对现有计算体系架构的速度和内存带宽提出了挑战。在深度学习的预处理中,常采用掩码运算来去除噪声或获取信息。然而,在数据密集条件下,频繁使用掩码会给计算系统带来极大的内存/通信负担。我们迫切需要一种高效的DCNN底层硬件来改进掩模操作。在本文中,我们提出了一种自更新掩模电路(SRMC, Self-Renewing Mask Circuit)来缓解/解决上述问题。首先,本文提出了一种基于存储计算融合(CIM,Computation-In-Memory)体系结构的掩码应用方法,在同一物理位置实现了高性能的处理器和高密度的存储器。其次,我们设计了具有自更新功能外围电路,以进一步避免内存与外部空间的数据交换。与大多数其他二值计算单元相反,我们提出的自更新掩码电路在每个存储单元保存多位数值并对几个存储单元并行计算,这使SRMC的计算能力明显优于传统计算架构。此外,我们还实现了均值滤波和边缘检测以验证该电路的有效性和可扩展性。最后,我们讨论了两种可能的方法来提高我们的方案。
关键词:
0 32
第四届全国神经动力学学术会议摘要集
2018年

搜 索