CN112396171A - 人工智能计算芯片、信号处理系统 - Google Patents

人工智能计算芯片、信号处理系统 Download PDF

Info

Publication number
CN112396171A
CN112396171A CN201910752372.2A CN201910752372A CN112396171A CN 112396171 A CN112396171 A CN 112396171A CN 201910752372 A CN201910752372 A CN 201910752372A CN 112396171 A CN112396171 A CN 112396171A
Authority
CN
China
Prior art keywords
signal
analog
output
analog signal
digital
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910752372.2A
Other languages
English (en)
Other versions
CN112396171B (zh
Inventor
张钟宣
傅仁杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhixinke Microelectronics Technology Co ltd
Original Assignee
Hangzhou Zhixinke Microelectronics Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhixinke Microelectronics Technology Co ltd filed Critical Hangzhou Zhixinke Microelectronics Technology Co ltd
Priority to CN201910752372.2A priority Critical patent/CN112396171B/zh
Priority claimed from CN201910752372.2A external-priority patent/CN112396171B/zh
Publication of CN112396171A publication Critical patent/CN112396171A/zh
Application granted granted Critical
Publication of CN112396171B publication Critical patent/CN112396171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
    • G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analogue/Digital Conversion (AREA)

Abstract

本发明实施例提供了一种人工智能计算芯片、信号处理系统。其中，人工智能计算芯片包括至少两级计算层，且每级计算层内设置有模拟神经网络处理器；前一级计算层接收到第一输入模拟信号经过前一级计算层的第一模拟神经网络处理器处理后得到第一输出模拟信号；后一级计算层接收到第二输入模拟信号经过后一级计算层的第二模拟神经网络处理器处理后得到第二输出模拟信号；其中，所述第二输入模拟信号基于第一输出模拟信号得到。本技术方案提供的人工智能计算芯片，在每级计算层内设置有模拟神经网络处理器，每级计算层的输入信号和输出信号均为模拟信号，层与层之间不需要通过模数转换电路进行转换，从而节省了整个人工智能计算芯片的功耗。

Description

人工智能计算芯片、信号处理系统
【技术领域】
本发明涉及计算机技术领域，尤其涉及一种人工智能计算芯片、信号处理系统。
【背景技术】
计算机集成制造(Computer Integrated Manufacturing，简称CIM)技术在人工智能计算芯片领域的应用非常普遍，尤其是边缘计算领域，可以大大地节省人工智能计算芯片的能耗。
现有技术中，实现CIM的方法多种多样。例如，人工智能计算芯片上计算层与计算层之间都是通过数字信号输入和输出(即通过类似数字电路的方式进行传输)，这样虽然简化了硬件，但是相应的识别率也大大降低了。又例如，人工智能计算芯片上计算层是模拟信号输入、数字信号输出，那么计算层与计算层之间信号的传输需要靠模数转换电路(A/D)进行转换，这种方法优点在于可以无限层叠加，缺点在于模数转换电路极大地增加了能耗，同时多个模数转换电路并行也带来了设计难度。
【发明内容】
有鉴于此，本发明实施例提供了一种人工智能计算芯片、信号处理系统，用以解决现有技术人工智能计算芯片上层间信号传输的能耗问题。
一方面，本发明实施例提供了一种人工智能计算芯片，包括：至少两级计算层，且每级所述计算层内设置有模拟神经网络处理器；前一级计算层接收到第一输入模拟信号经过所述前一级计算层的第一模拟神经网络处理器处理后得到第一输出模拟信号；后一级计算层接收到第二输入模拟信号经过所述后一级计算层的第二模拟神经网络处理器处理后得到第二输出模拟信号；其中，所述第二输入模拟信号基于所述第一输出模拟信号得到。
可选的，所述第一模拟神经网络处理器包括N1个输入端、第一计算电路以及M1个输出端；其中，所述第一计算电路由阵列排布的MOS晶体管组成，所述第一计算电路用于控制所述第一模拟神经网络处理器的权重值；所述第二模拟神经网络处理器包括N2个输入端、第二计算电路以及M2个输出端；所述第二计算电路由阵列排布的MOS晶体管组成，所述第二计算电路用于控制所述第二模拟神经网络处理器的权重值；其中，N1、M1、N2以及M2均为大于1的自然数，且M1＝N2。
可选的，所述前一级计算层与所述后一级计算层之间还包括转换电路；所述转换电路包括模数转换电路、数字信号处理模块以及数模转换电路；其中，所述模数转换电路用于将所述第一输出模拟信号转换为第一输出数字信号；所述数字信号处理模块用于对所述第一输出数字信号进行处理以得到第二输出数字信号；所述数模转换电路用于将所述第二输出数字信号转换为所述第二输入模拟信号。
可选的，所述第二输入模拟信号为所述第一输出模拟信号。
可选的，所述第一输入模拟信号、所述第一输出模拟信号、所述第二输入模拟信号以及所述第二输出模拟信号为电流信号、电压信号或者脉宽调制信号中任一种信号。
另一方面，本发明实施例还提供了一种信号处理系统，包括：信号采集设备、数模转换器和上述人工智能计算芯片，其中，所述信号采集设备用于采集数字信号；所述数模转换器用于将所述信号采集设备采集到的所述数字信号转换为输入模拟信号；所述人工智能计算芯片用于对所述输入模拟信号进行处理后得到输出模拟信号。
可选的，所述信号采集设备为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。
再一方面，本发明实施例还提供了一种信号处理系统，包括信号采集设备、数模转换器和上述人工智能计算芯片，其中，所述信号采集设备用于采集输入模拟信号；所述人工智能计算芯片用于对所述输入模拟信号进行处理后得到输出模拟信号。
可选的，所述信号采集设备为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。
与现有技术相比，本技术方案至少具有如下有益效果：
根据本发明实施例提供的人工智能计算芯片，每级计算层内设置有模拟神经网络处理器，每级计算层的输入信号和输出信号均为模拟信号，层与层之间不需要通过模数转换电路进行转换，从而节省了整个人工智能计算芯片的功耗。其中，各级计算层内的模拟神经网络处理器根据需求可以设置不同个数的输入端和输出端，并通过模拟神经网络处理器内的计算电路调整权重值。前一级计算层的输出端的个数与后一级计算层的输入端的个数相匹配。
进一步，根据信号处理的需求，也可以在前一级计算层与后一级计算层之间设置转换电路，将前一级计算层输出的第一输出模拟信号先转换为第一输出数字信号，根据需求对该第一输出数字信号进行数字信号处理后再转换为第二输入模拟信号后再输入至后一级计算层。这种情况下，虽然在层间增加了转换电路，在信号传输过程中需要增加功耗，但考虑到有些数据通过数字信号处理会比通过模拟信号处理更快捷高效，而且并不需要在每个层间都增加转换电路，因此从整体的人工智能计算芯片的设计来看，可以提高信号传输处理的效率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的人工智能计算芯片的一个具体实施例的结构示意图；
图2A是图1所示的人工智能计算芯片中的第一模拟神经网络处理器和的具体电路结构示意图；
图2B是图1所示的人工智能计算芯片中的第二模拟神经网络处理器的具体电路结构示意图；
图3是本发明实施例提供的人工智能计算芯片的另一个具体实施例的结构示意图；
图4是本发明实施例提供的信号处理系统的一个具体实施例的结构示意图；
图5是本发明实施例提供的信号处理系统的另一个具体实施例的结构示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例提供的人工智能计算芯片的一个具体实施例的结构示意图。参考图1，所述人工智能计算芯片1包括至少两级计算层(作为示例，图1示出了第N级计算层11和第N+1级计算层12)。其中，所述第N级计算层11内设置有第一模拟神经网络处理器111、所述第N+1级计算层12内设置有第二模拟神经网络处理器121。
具体来说，为了便于描述，本实施例中，以所述第N级计算层11为前一级计算层，所述第N+1级计算层12为所述第N级计算层11的后一级计算层。本领域技术人员理解，在人工智能计算芯片中包括多级计算层，前一级计算层接收到输入信号经过处理后得到输出信号，该输出信号作为下一级计算层的输入信号。每一级计算层可以理解为一个存储权重值的电路系统，其中权重值可以通过训练调整到最佳的权重值，以使该计算层的输出信号最准确。在数学上，每一级计算层相当于一个矩阵，输入信号被数字化之后与这个矩阵相乘，得到输出信号作为下一级计算层的输入信号。
与现有技术不同，本实施例中，每一级计算层内设置有模拟神经网络处理器，因此每一级计算层的输入信号和输出信号均为模拟信号，这样可以极大地节省人工智能计算芯片的功耗。
继续参考图1，前一级计算层(即所述第N级计算层11)接收到第一输入模拟信号经过所述前一级计算层的第一模拟神经网络处理器111处理后得到第一输出模拟信号。后一级计算层(即所述第N+1级计算层12)接收到第二输入模拟信号经过所述后一级计算层的第二模拟神经网络处理器121处理后得到第二输出模拟信号。
其中，所述第一输入模拟信号、所述第一输出模拟信号、所述第二输入模拟信号以及所述第二输出模拟信号为电流信号或电压信号中任一种信号。具体来说，以所述第一输入模拟信号和所述第一输出模拟信号为例，所述第一输入模拟信号与所述第一输出模拟信号可以是同一种信号(例如两者都为电流信号或者都为电压信号)，所述第一输入模拟信号与所述第一输出模拟信号也可以是不同的信号(例如所述第一输入模拟信号为电流信号、所述第一输出模拟信号为电压信号)。
再例如，所述第一输入模拟信号、所述第一输出模拟信号、所述第二输入模拟信号以及所述第二输出模拟信号也可以都为脉宽调制信号(Pulse Width Modulation，简称PWM)，脉宽调制是在控制电路输出频率不变的情况下，通过电压反馈调整其占空比，从而达到稳定输出电压的目的。利用PWM信号控制模拟神经网络处理器，可以大幅度降低人工智能计算芯片的成本和功耗。
在本实施例中，所述第N级计算层11与所述第N+1级计算层12之间是直接连接，因此所述第N+1级计算层12的输入信号(即所述第二输入模拟信号)为所述第N级计算层11的输出信号(即所述第一输出模拟信号)。
下面将详细描述图1中所述第一模拟神经网络处理器111和所述第二模拟神经网络处理器121的具体电路实现。
图2A是图1所示的人工智能计算芯片中的第一模拟神经网络处理器和的具体电路结构示意图。图2B是图1所示的人工智能计算芯片中的第二模拟神经网络处理器的具体电路结构示意图。
参考图2A，所述第一模拟神经网络处理器211包括N1个输入端2111(如图2中输入端x0～xn1-1)、第一计算电路2112以及M1个输出端2113(如图2中输出端y0～ym1-1)，N1、M1均为大于1的自然数。其中，所述第一计算电路2112包括阵列排布的MOS晶体管，MOS晶体管的数目及排列方式根据输入端和输出端的个数确定，例如图2中所示的所述第一计算电路2112包括N1×M1个MOS晶体管。所述MOS晶体管可以是NMOS晶体管或者PMOS晶体管。所述第一计算电路2112用于控制所述第一模拟神经网络处理器211的权重值，例如通过控制MOS晶体管的导通阻抗来调整权重值。
参考图2B，所述第二模拟神经网络处理器221包括M1(其中M1＝N2)个输入端2211(如图2中输入端y0～ym1-1)、第二计算电路2212以及M2个输出端2213(如图2中输出端z0～zm2-1)，N2和M2均为大于1的自然数，N2＝M1。其中，所述第二计算电路2212包括阵列排布的MOS晶体管，MOS晶体管的数目及排列方式根据输入端和输出端的个数确定，例如图2中所示的所述第二计算电路2212包括M1×M2个MOS晶体管。所述MOS晶体管可以是NMOS晶体管或者PMOS晶体管。所述第二计算电路2212用于控制所述第二模拟神经网络处理器221的权重值，例如通过控制MOS晶体管的导通阻抗来调整权重值。
需要说明的是，图2A和图2B所示的电路结构仅为一种实施例的示意图，在实际应用中，所述第一模拟神经网络处理器和第二模拟神经网络处理器各自的输入端和输出端的个数可以信号处理需求来设定，第一计算电路和第二计算电路的具体电路结构也可以根据需求设定。当然，若所述第一模拟神经网络处理器和第二模拟神经网络处理器分为前后两级计算层内的模拟神经网络处理器，则前一级计算层内模拟神经网络处理器的输出端的个数应与后一级计算层内模拟神经网络处理器的输入端的个数相匹配。
图3是本发明实施例提供的人工智能计算芯片的另一个具体实施例的结构示意图。参考图3，所述人工智能计算芯片3包括至少两级计算层(作为示例，图3示出了第N级计算层31和第N+1级计算层32)。其中，所述第N级计算层31内设置有第一模拟神经网络处理器311、所述第N+1级计算层32内设置有第二模拟神经网络处理器321。为了便于描述，本实施例中，以所述第N级计算层31为前一级计算层，所述第N+1级计算层32为所述第N级计算层31的后一级计算层。
在人工智能计算芯片中，每一级计算层分别执行本级计算层对输入信号的处理后得到输出信号，(若存在下一级计算层)则将该输出信号输入下一级计算层。但是在实际应用中，在相邻两级计算层之间，根据信号处理需求，经过前一级计算层输出的模拟信号需要转换成数字信号，并对数字信号做数字信号处理后再转成模拟信号传输至下一级计算层。
因此，与图1所述的实施例不同，在本实施例中，针对这样的应用场景，前一级计算层(所述第N级计算层31)与后一级计算层(即所述第N+1级计算层32)之间增加了转换电路33。
具体来说，所述转换电路33包括模数转换电路331、数字信号处理模块332以及数模转换电路333。其中，所述模数转换电路331用于将所述第一输出模拟信号转换为第一输出数字信号。所述数字信号处理模块332用于对所述第一输出数字信号进行处理以得到第二输出数字信号。所述数模转换电路333用于将所述第二输出数字信号转换为所述第二输入模拟信号。其中，所述模数转换电路331、数模转换电路333以及数字信号处理模块332都可以采用常用的电路实现，在此不再详细描述。
需要说明的是，在实际应用中，并不是所有相邻两级计算层之间都需要增加转换电路，根据信号处理需求，只有在两级计算层之间需要将模拟信号转换成数字信号做相应的数字信号处理的情况下才增加转换电路。发明人发现，考虑到有些数据通过数字信号处理会比通过模拟信号处理更快捷高效，因此从整体的人工智能计算芯片的设计来看，可以提高信号传输处理的效率。
图4是本发明实施例提供的信号处理系统的一个具体实施例的结构示意图。参考图4，所述信号处理系统4包括信号采集设备41、数模转换器42和人工智能计算芯片43。其中，所述信号采集设备41用于采集数字信号。
所述数模转换器42用于将所述信号采集设备41采集到的所述数字信号转换为输入模拟信号。所述人工智能计算芯片43用于对所述输入模拟信号进行处理后得到输出模拟信号。
在实际应用中，根据所述信号处理系统4不同的应用场景，所述信号采集设备41为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。本实施例中，所述信号采集设备41采集到的信号均为数字信号，而所述人工智能计算芯片43中各级计算层内是模拟神经网络处理器，因此需要将信号采集设备41采集到的数字信号先通过所述数模转换器42转换为输入模拟信号后，再传输至所述人工智能计算芯片43进行处理以得到输出模拟信号。当然，若所述信号处理系统最终需要输出的仍是数字信号，则可以再利用模数转换器(图4中未示出)将所述人工智能计算芯片43处理后得到的输出模拟信号再转换成输出数字信号。
图5是本发明实施例提供的信号处理系统的另一个具体实施例的结构示意图。参考图5，所述信号处理系统5包括信号采集设备51和人工智能计算芯片52。其中，所述信号采集设备51用于采集输入模拟信号。所述人工智能计算芯片52用于对所述输入模拟信号进行处理后得到输出模拟信号。
在实际应用中，根据所述信号处理系统5不同的应用场景，所述信号采集设备51为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。与图4所述实施例不同，本实施例中，所述信号采集设备51采集到的信号均为模拟信号，而所述人工智能计算芯片52中各级计算层内是模拟神经网络处理器。因此，本实施例中不需要数模转换器，所述信号采集设备51采集到的模拟信号可以作为所述人工智能计算芯片52的输入模拟信号进行处理以得到输出模拟信号。当然，若所述信号处理系统5最终需要输出的仍是数字信号，则可以再利用模数转换器(图5中未示出)将所述人工智能计算芯片52处理后得到的输出模拟信号再转换成输出数字信号。
综上所述，利用本技术方案提供的人工智能计算芯片，在每级计算层内设置有模拟神经网络处理器，每级计算层的输入信号和输出信号均为模拟信号，层与层之间不需要通过模数转换电路进行转换，从而节省了整个人工智能计算芯片的功耗。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种人工智能计算芯片，其特征在于，包括至少两级计算层，且每级所述计算层内设置有模拟神经网络处理器；
前一级计算层接收到第一输入模拟信号经过所述前一级计算层的第一模拟神经网络处理器处理后得到第一输出模拟信号；
后一级计算层接收到第二输入模拟信号经过所述后一级计算层的第二模拟神经网络处理器处理后得到第二输出模拟信号；其中，所述第二输入模拟信号基于所述第一输出模拟信号得到。
2.如权利要求1所述的人工智能计算芯片，其特征在于，
所述第一模拟神经网络处理器包括N1个输入端、第一计算电路以及M1个输出端；其中，所述第一计算电路由阵列排布的MOS晶体管组成，所述第一计算电路用于控制所述第一模拟神经网络处理器的权重值；
所述第二模拟神经网络处理器包括N2个输入端、第二计算电路以及M2个输出端；所述第二计算电路由阵列排布的MOS晶体管组成，所述第二计算电路用于控制所述第二模拟神经网络处理器的权重值；
其中，N1、M1、N2以及M2均为大于1的自然数，且M1＝N2。
3.如权利要求1所述的人工智能计算芯片，其特征在于，所述前一级计算层与所述后一级计算层之间还包括转换电路；所述转换电路包括模数转换电路、数字信号处理模块以及数模转换电路；其中，
所述模数转换电路用于将所述第一输出模拟信号转换为第一输出数字信号；
所述数字信号处理模块用于对所述第一输出数字信号进行处理以得到第二输出数字信号；
所述数模转换电路用于将所述第二输出数字信号转换为所述第二输入模拟信号。
4.如权利要求1所述的人工智能计算芯片，其特征在于，所述第二输入模拟信号为所述第一输出模拟信号。
5.如权利要求1所述的人工智能计算芯片，其特征在于，所述第一输入模拟信号、所述第一输出模拟信号、所述第二输入模拟信号以及所述第二输出模拟信号为电流信号、电压信号或者脉宽调制信号中任一种信号。
6.一种信号处理系统，其特征在于，包括信号采集设备、数模转换器和上述权利要求1～5中任一项所述人工智能计算芯片，其中，
所述信号采集设备用于采集数字信号；
所述数模转换器用于将所述信号采集设备采集到的所述数字信号转换为输入模拟信号；
所述人工智能计算芯片用于对所述输入模拟信号进行处理后得到输出模拟信号。
7.如权利要求6所述信号处理系统，其特征在于，所述信号采集设备为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。
8.一种信号处理系统，其特征在于，包括信号采集设备、数模转换器和上述权利要求1～5中任一项所述人工智能计算芯片，其中，
所述信号采集设备用于采集输入模拟信号；
所述人工智能计算芯片用于对所述输入模拟信号进行处理后得到输出模拟信号。
9.如权利要求8所述的信号处理系统，其特征在于，所述信号采集设备为CMOS图像传感器、温度传感器、麦克风或者心电图采集设备中的任一种。
CN201910752372.2A 2019-08-15 人工智能计算芯片、信号处理系统 Active CN112396171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910752372.2A CN112396171B (zh) 2019-08-15 人工智能计算芯片、信号处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910752372.2A CN112396171B (zh) 2019-08-15 人工智能计算芯片、信号处理系统

Publications (2)

Publication Number Publication Date
CN112396171A true CN112396171A (zh) 2021-02-23
CN112396171B CN112396171B (zh) 2024-10-25

Family

ID=

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030137762A1 (en) * 2001-12-03 2003-07-24 Priester William B. Data acquisition system
CN101404493A (zh) * 2008-02-05 2009-04-08 杨曙辉 利用cmos晶体管设计的模拟概率与门电路
CN201716732U (zh) * 2010-06-24 2011-01-19 王泽峰 一种计算机防盗防泄密的智能自毁系统
CN201928287U (zh) * 2010-12-09 2011-08-10 华北电力科学研究院有限责任公司 一种电力线载波窄带通信信道特性模拟电路
US20150155879A1 (en) * 2013-12-04 2015-06-04 Kabushiki Kaisha Toshiba Semiconductor integrated circuit and image sensor circuit
US20150178619A1 (en) * 2013-07-04 2015-06-25 Panasonic Intellectual Property Management Co., Ltd. Neural network circuit and learning method thereof
CN104991142A (zh) * 2015-07-09 2015-10-21 杭州亿恒科技有限公司 一种信号分析仪、装置及处理方法
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
CN108154226A (zh) * 2016-12-06 2018-06-12 上海磁宇信息科技有限公司 一种使用模拟计算的神经网络芯片
CN108513042A (zh) * 2017-02-24 2018-09-07 清华大学 用于图像处理的装置
CN108599865A (zh) * 2018-04-13 2018-09-28 北京邮电大学 基于光子神经网络的信号调制格式识别方法、装置
CN108639882A (zh) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 基于lstm网络模型的处理芯片与包含其的运算装置
CN108675071A (zh) * 2018-05-03 2018-10-19 中国科学院计算技术研究所 基于人工神经网络处理器的云端协同智能芯片
US20190050719A1 (en) * 2017-08-09 2019-02-14 Google Llc Accelerating Neural Networks in Hardware Using Interconnected Crossbars
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统
CN109507934A (zh) * 2018-12-25 2019-03-22 大连理工大学 一种级联自适应的数字i/o及模拟信号采集电路
CN109615070A (zh) * 2018-12-06 2019-04-12 浙江巨磁智能技术有限公司 电力人工智能芯片及电力故障识别方法
CN109800876A (zh) * 2019-01-18 2019-05-24 合肥恒烁半导体有限公司 一种基于NOR Flash模块的神经网络的数据运算方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030137762A1 (en) * 2001-12-03 2003-07-24 Priester William B. Data acquisition system
CN101404493A (zh) * 2008-02-05 2009-04-08 杨曙辉 利用cmos晶体管设计的模拟概率与门电路
CN201716732U (zh) * 2010-06-24 2011-01-19 王泽峰 一种计算机防盗防泄密的智能自毁系统
CN201928287U (zh) * 2010-12-09 2011-08-10 华北电力科学研究院有限责任公司 一种电力线载波窄带通信信道特性模拟电路
US20150178619A1 (en) * 2013-07-04 2015-06-25 Panasonic Intellectual Property Management Co., Ltd. Neural network circuit and learning method thereof
US20150155879A1 (en) * 2013-12-04 2015-06-04 Kabushiki Kaisha Toshiba Semiconductor integrated circuit and image sensor circuit
CN104991142A (zh) * 2015-07-09 2015-10-21 杭州亿恒科技有限公司 一种信号分析仪、装置及处理方法
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
CN108154226A (zh) * 2016-12-06 2018-06-12 上海磁宇信息科技有限公司 一种使用模拟计算的神经网络芯片
CN108513042A (zh) * 2017-02-24 2018-09-07 清华大学 用于图像处理的装置
US20190050719A1 (en) * 2017-08-09 2019-02-14 Google Llc Accelerating Neural Networks in Hardware Using Interconnected Crossbars
CN108599865A (zh) * 2018-04-13 2018-09-28 北京邮电大学 基于光子神经网络的信号调制格式识别方法、装置
CN108639882A (zh) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 基于lstm网络模型的处理芯片与包含其的运算装置
CN108675071A (zh) * 2018-05-03 2018-10-19 中国科学院计算技术研究所 基于人工神经网络处理器的云端协同智能芯片
CN109460817A (zh) * 2018-09-11 2019-03-12 华中科技大学 一种基于非易失存储器的卷积神经网络片上学习系统
CN109615070A (zh) * 2018-12-06 2019-04-12 浙江巨磁智能技术有限公司 电力人工智能芯片及电力故障识别方法
CN109507934A (zh) * 2018-12-25 2019-03-22 大连理工大学 一种级联自适应的数字i/o及模拟信号采集电路
CN109800876A (zh) * 2019-01-18 2019-05-24 合肥恒烁半导体有限公司 一种基于NOR Flash模块的神经网络的数据运算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DZMITRY MALIUK等: "An Experimentation Platform for On-Chip Integration of Analog Neural Networks: A Pathway to Trusted and Robust Analog/RF ICs", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, 17 September 2014 (2014-09-17), pages 1721 - 1734 *
张港红: "农业物联网专用处理器芯片设计研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2018, no. 12, 15 December 2018 (2018-12-15), pages 137 - 4 *

Similar Documents

Publication Publication Date Title
Verhelst et al. Where analog meets digital: Analog? to? information conversion and beyond
CN110991623B (zh) 基于数模混合神经元的神经网络运算系统
US20180218275A1 (en) Method of operating neural networks, corresponding network, apparatus and computer program product
WO2017106464A1 (en) Convolutional neural network
WO2018173472A1 (ja) ニューラルネットワーク回路
JP3862918B2 (ja) フィルタ回路
US20190392298A1 (en) Neural network circuit
US11790220B2 (en) Artificial neural networks
CN111614353A (zh) 一种存算一体芯片中数模转换电路与模数转换电路复用装置
CN108736935B (zh) 一种用于大规模mimo系统信号检测的通用下降搜索方法
CN111694544B (zh) 多位复用乘加运算装置、神经网络运算系统以及电子设备
CN111930681B (zh) 一种计算装置及相关产品
CN112396171A (zh) 人工智能计算芯片、信号处理系统
CN114756517A (zh) 一种基于可微量化训练的视觉Transformer压缩方法及系统
JPH06216706A (ja) トランスバーサルフィルタ
CN112396171B (zh) 人工智能计算芯片、信号处理系统
EP2557693A1 (en) Data conversion method based on negative -map
US9350264B2 (en) Control device of power converter circuit
Zhang et al. An energy-efficient mixed-signal parallel multiply-accumulate (MAC) engine based on stochastic computing
US9847789B1 (en) High precision sampled analog circuits
KR102094275B1 (ko) 이미지 센서 및 이미지 센서를 활용하는 이미지인식장치
Li et al. An efficient parallel resampling structure based on iterated short convolution algorithm
TWI564735B (zh) 資料分配裝置、訊號處理裝置及其資料分配方法
CN110890895A (zh) 借助表示法变换执行极化解码的方法及相关极化解码器
Kumar et al. Low power and high precision analog VLSI design of 1-D DCT for real-time application

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant