基于拟神经突触的概率计算神经网络加速器

深度卷积神经网络是人工智能应用中最有前途的神经网络类别之一。但是与其性能相关的计算量和计算复杂度也呈现爆炸式增长,导致了实现的高功耗和巨大的硬件成本。因此,研究基于概率计算空间编码的思想,使用电路中信号线密度模拟神经突触可塑性的工作原理,将传统乘法器复杂的运算变成了简单线与的低复杂度方式,实现了一种拟神经突触概率乘法器。并以此为基础,实现了基于多段分解的空间并行高精度概率乘法器,并提出了一种以突触可塑性计算单元为基础的低复杂度、低开销的神经网络加速器。实验使用该概率乘法器基于LeNet-5网络在MNIST上和基于VGG13的CIFAR-10上分别达到了97.99%和85.21%的正确率,与传统乘法器相比,降低了面积和功耗,提升了运行速度。同比其他神经网络加速器,提高了吞吐量、面积效率、功率效率。