SNN块切分单元
具体技术内容、所解决的技术问题、产生的技术效果
从语音识别芯片领域切入,为具有超低功耗需求的智能物联网(AIoT)芯片厂商提供最新一代深度学习神经网络,使客户能够节省SNN开发成本,快速实现由ANN芯片向SNN芯片的跃迁,实现高性能、低功耗的芯片产品开发。
应用场景和对应技术领域
视频监控、语音识别、无人机、自动驾驶、机器人等
先进性、创新性、前沿性说明
脉冲神经网络(SNN)被誉为第三代人工神经网络。脉冲神经网络和传统人工神经网络的主要优势有:1、神经元的输入输出不同。脉冲神经网络通过单比特脉冲连接、权重和输入数据为加法运算、脉冲发送的速率低于1KHz来降低功耗。2、神经元模型不同。脉冲神经网络的神经元模型是基于膜电压的微分方程,接近于生物神经元模型,有生物可解释性。模型中阈值,可以降低噪声增大容错性。3、模仿人脑将权重存放在运算单元附近,减少了DRAM的访问也降低了功耗。由于脉冲神经网络以上的优点,开发脉冲神经网络芯片是近年国内外学术界与产业界的热点。
新氦脉冲神经网络芯片架构的研究和成果补充了国内在类脑芯片方面的研发不足。同时新氦采取开放的策略提供各种IP降低企业在类脑芯片的准入门槛,进一步推动类脑技术的生态发展。新氦类脑脉冲神经网络前沿性研究内容:
(1)研究脉冲神经网络算法:包括在线学习算法,卷积神经网络转脉冲神经网络算法,脉冲神经网络直接训练算法,脉冲编码算法和片上网络路由算法等。
(2)研究开发脉冲神经网络通用IP:包括神经元阵列,脉冲编码,片上网络、芯片间扩展接口等。
(3)研究开发脉冲神经网络测试芯片,客户可以使用我们的测试芯片评估各种IP的性能。
从语音识别芯片领域切入,为具有超低功耗需求的智能物联网(AIoT)芯片厂商提供最新一代深度学习神经网络,使客户能够节省SNN开发成本,快速实现由ANN芯片向SNN芯片的跃迁,实现高性能、低功耗的芯片产品开发。
应用场景和对应技术领域
视频监控、语音识别、无人机、自动驾驶、机器人等
先进性、创新性、前沿性说明
脉冲神经网络(SNN)被誉为第三代人工神经网络。脉冲神经网络和传统人工神经网络的主要优势有:1、神经元的输入输出不同。脉冲神经网络通过单比特脉冲连接、权重和输入数据为加法运算、脉冲发送的速率低于1KHz来降低功耗。2、神经元模型不同。脉冲神经网络的神经元模型是基于膜电压的微分方程,接近于生物神经元模型,有生物可解释性。模型中阈值,可以降低噪声增大容错性。3、模仿人脑将权重存放在运算单元附近,减少了DRAM的访问也降低了功耗。由于脉冲神经网络以上的优点,开发脉冲神经网络芯片是近年国内外学术界与产业界的热点。
新氦脉冲神经网络芯片架构的研究和成果补充了国内在类脑芯片方面的研发不足。同时新氦采取开放的策略提供各种IP降低企业在类脑芯片的准入门槛,进一步推动类脑技术的生态发展。新氦类脑脉冲神经网络前沿性研究内容:
(1)研究脉冲神经网络算法:包括在线学习算法,卷积神经网络转脉冲神经网络算法,脉冲神经网络直接训练算法,脉冲编码算法和片上网络路由算法等。
(2)研究开发脉冲神经网络通用IP:包括神经元阵列,脉冲编码,片上网络、芯片间扩展接口等。
(3)研究开发脉冲神经网络测试芯片,客户可以使用我们的测试芯片评估各种IP的性能。
关键技术IP
减小突触连接的存储面积的方法、装置、设备和存储介质
技术特征简介
能减小突触连接的存储面积,随着单个核的面积变小,单块芯片可以集成更多的神经元,并可在包括脉冲神经网络、类脑神经网络在内的多个领域中的应用。脉冲信号发送方法、装置及存储介质
技术特征简介
克服了脉冲神经网络中脉冲数据包带宽需求较高的缺点,使用较低的代价将多个脉冲数据包汇聚成单个数据包,从而减少了数据包的数目,降低对带宽的需求轴突输入扩展方法、装置、设备和存储介质
技术特征简介
当需要参与运算的轴突输入数K大于可支持的最大轴突数输入N时,将K个轴突输入分组并分别连接到多个神经元核的轴突输入;各神经元核对各个单比特轴突输入进行加权相加得到以M比特位宽的加权和,删除X个低位以转换为S比特位宽的加权和;分别连接到一汇总神经元核的不同轴突输入,并将所有S比特位宽的加权和相加得到加权总和;加权总和加上上一次膜电压值并与阈值比较;若大于等于阈值,则汇总神经元核输出1比特脉冲数据。本申请不需要乘法电路,也不需要支持ANN模式,没有引入额外的运算单元,成本较低;和现有方法相比算法精度更高;使用的神经元核数目比清华的轴突扩展方法数目少。脉冲神经网络中一种减少权重存储实现卷积运算的方法与装置
技术特征简介
获取储存的神经核中第一神经元的一维权重向量;其中,所述神经核包括:依次排列的N个神经元;对所述第一神经元的一维权重向量进行移位,获得对应所述神经核的第i神经元的一维权重向量;将第i神经元的一维权重向量与对应该神经元的轴突向量进行卷积计算,获得对应第i神经元的神经元膜电压计算结果。本发明通过一个神经元核只存储一个神经元的权重,神经元核中的其他神经元的权重根据存储的权重进行变换得到,大大降低了权重存储空间。