深度學習在人臉識別、音頻識別、圖像分類等領域中得到廣泛應用。深度學習網絡具有大量的權重數(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習應用難以部署在物聯(lián)網終端設備。而在深度學習網絡中，卷積計算占用前向計算89%的時間，隨之產生巨大的功耗。所以高速、低功耗的卷積計算單元的設計成為迫切的需求。

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

本文的主要內容在于：（1）利用Flash的線型區(qū)I/V特性，設計基于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。

本文詳細內容請下載: http://ihrv.cn/resource/share/2000003121

作者信息：

徐偉民1，黃魯1，蔣明峰2(1.中國科學技術大學 微電子學院，安徽 合肥 230026；

2.中國科學技術大學 信息科學技術學院，安徽 合肥 230026)