深度學(xué)習(xí)在人臉識別、音頻識別、圖像分類等領(lǐng)域中得到廣泛應(yīng)用。深度學(xué)習(xí)網(wǎng)絡(luò)具有大量的權(quán)重數(shù)據(jù)和大量的乘累加操作，極大的算力需求和功耗限制使得深度學(xué)習(xí)應(yīng)用難以部署在物聯(lián)網(wǎng)終端設(shè)備。而在深度學(xué)習(xí)網(wǎng)絡(luò)中，卷積計算占用前向計算89%的時間，隨之產(chǎn)生巨大的功耗。所以高速、低功耗的卷積計算單元的設(shè)計成為迫切的需求。

主流的馮諾依曼架構(gòu)中，計算單元和內(nèi)存單元是兩個完全分離的單元，計算單元根據(jù)指令從內(nèi)存讀取數(shù)據(jù)，在計算單元完成計算，再存回內(nèi)存。數(shù)據(jù)需要在計算單元和存儲單元之間進(jìn)行頻繁的移動，因此帶來較大的功耗和較低的運(yùn)算效率。存算一體架構(gòu)將計算單元與內(nèi)存單元合二為一，在存儲數(shù)據(jù)的同時完成運(yùn)算，從而極大地減少了計算過程中數(shù)據(jù)存取的時間和功耗。實現(xiàn)存算一體化的介質(zhì)有相變存儲PCM，靜態(tài)隨機(jī)存儲SRAM、浮柵器件Flash等。Flash具有工藝成熟、成本低等特點，因此本設(shè)計采用Flash作為存算一體的介質(zhì)。具體做法是將卷積核的權(quán)值映射到Flash陣列的閾值電壓，然后Flash陣列進(jìn)行高速、低功耗的模擬乘累加計算來加速卷積計算過程。

本文的主要內(nèi)容在于：（1）利用Flash的線型區(qū)I/V特性，設(shè)計基于NOR Flash的模擬矩陣計算單元;（2）基于模擬矩陣計算單元，設(shè)計了基于NOR Flash的模擬卷積計算單元;（3）通過SOBEL邊緣檢測算子評估基于NOR Flash的卷積計算單元的性能。

本文詳細(xì)內(nèi)容請下載: http://m.jysgc.com/resource/share/2000003121

作者信息：

徐偉民1，黃魯1，蔣明峰2(1.中國科學(xué)技術(shù)大學(xué) 微電子學(xué)院，安徽 合肥 230026；

2.中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，安徽 合肥 230026)