提高相变存储器阵列突触权重精度的结构及其写入方法

本技术属于新型智能计算领域，更具体地，涉及一种提高相变存储器阵列突触权重精度的结构及其写入方法。

背景技术：

1、冯·诺伊曼结构是目前世界上计算机的主流结构，随着信息技术的飞速发展，冯·诺伊曼结构的局限性逐渐显现。在冯·诺伊曼结构中计算单元和存储单元是分离的，计算机系统先将数据从存储单元中读取出来传递到计算单元中，经过计算单元处理后再将结果返回到存储单元中。如今计算单元的速度远远高于存储单元的读取速度，这导致计算机系统的速度主要受限于数据在存储单元和计算单元之间的传递速度，成为限制计算机性能的“内存墙”。存内计算是解决冯·诺伊曼“内存墙”的一种方案，存内计算将存储单元和计算单元集成在一起，不需要在存储单元和计算单元间来回传递数据。

2、神经网络是一种受到生物神经网络启发的计算模型，其由神经元和突触构成。神经网络通过学习算法能够模拟人脑的学习和适应能力，在图像识别、自然语言处理等领域取得了巨大的成就。然而，大规模神经网络在冯·诺伊曼架构下面临着巨大的速率和功耗挑战。在神经网络中，突触是神经元之间的连接点，拥有不同的权重，从而决定了神经元之间的信号传递强度，是神经网络实现学习和记忆的基础。相变存储器具有可调的电阻值，因此相变存储器可以用于实现神经网络的突触。通过相变存储器阵列，我们可以实现在存储器中实现突触权重的存储和计算，即存内计算。

3、在相变存储器阵列中，输入信号通过数模转换器(dac)转化为电压信号，电压信号输入相变存储器阵列，通过欧姆定律和基尔霍夫电流定律相变存储器阵列高并行地实现了乘加操作，将电流转化为电压后再经过模数转换器(adc)，得到乘加运算的结果。因此，利用相变存储器阵列可以低功耗、并行地实现神经网络中的乘加运算，其中，利用输入电压作为神经网络的输入，相变存储器的电导表示神经网络的权重，相变存储器阵列的输出电流表示神经网络每一层的输出。

4、但是传统相变存储器阵列中的相变存储器的电导态有限，会导致相变存储器对应的突触权重精度不高，使神经网络的准确率下降。

技术实现思路

1、针对现有技术的缺陷，本技术的目的在于提供一种提高相变存储器阵列突触权重精度的结构及其写入方法，能有效提高相变存储器突触的权重精度。

2、为实现上述目的，第一方面，本技术提供了一种提高相变存储器阵列突触权重精度的结构，包括：

3、相变存储器阵列，包括电连接在多条行线和多条列线之间的存储单元，每一列存储单元均包括若干个权重行相变存储器和一个参考行固定相变存储器，权重行相变存储器包括若干个相变存储器组，所述相变存储器组由上下相邻设置的第一高位相变存储器和第一低位相变存储器组成，所述参考行固定相变存储器由上下相邻设置的第二高位相变存储器和第二低位相变存储器组成；每一列存储单元中的若干个相变存储器组共用同一列上的参考行固定相变存储器实现神经网络中的若干个突触权重；

4、电流镜模块，用于将各低位相变存储器行线上的电流缩小为1/n倍后输入到其该低位相变存储器行线上相邻的高位相变存储器行线中；

5、电流转电压模块，用于将权重行相变存储器中的各高位相变存储器行线上的电流转换成电压输出；同时还用于将参考行固定相变存储器中的高位相变存储器行线上的电流反向处理，并将反向处理的电流输入到权重行相变存储器中的高位相变存储器行线中。

6、作为进一步优选的，所述电流镜模块包括多个电流镜，所述电流镜的输入端与低位相变存储器行线相连，所述电流镜的输出端与该低位相变存储器上相邻的高位相变存储器行线相连。

7、作为进一步优选的，所述电流转电压模块包括多个反向放大电路；

8、权重行相变存储器中的高位相变存储器行线与相对应的各反向放大电路的反向输入端相连，所述参考行固定相变存储器中的高位相变存储器行线通过与其连接的反向放大电路进行反向后，再通过反馈电阻连接到所述权重行相变存储器中的高位相变存储器行线。

9、作为进一步优选的，所述突触权重所对应的电导值g为：

10、

11、式中，gupper为高位相变存储器的电导值，glower为与该高位相变存储器下相邻的低位相变存储器的电导值；gs为参考行固定相变存储器的电导值。

12、第二方面，本技术提供了一种如上述所述的提高相变存储器阵列突触权重精度的结构的写入方法，包括如下步骤：

13、写验证第一阶段，对各高位相变存储器执行写验证操作，具体为：

14、(1)读取高位相变存储器电导gcell,1，若高位相变存储器的电导值小于高位相变存储器的目标电导范围下限glower,1，则对高位相变存储器施加set脉冲，否则，执行步骤(2)；

15、(2)读取高位相变存储器电导gcell,1，若高位相变存储器的电导值大于高位相变存储器的目标电导范围上限gupper,1，则对高位相变存储器施加reset脉冲，否则，执行步骤(3)；

16、(3)读取高位相变存储器电导gcell,1，若高位相变存储器的电导值小于gupper,1且大于glower,1，则执行步骤(4)，否则，执行步骤(1)；

17、写验证第二阶段，对低位相变存储器执行写验证操作，具体为：

18、(4)读取低位相变存储器电导gcell,2，若低位相变存储器的电导值小于低位相变存储器目标电导范围下限glower,2，则对低位相变存储器施加set脉冲，否则，执行步骤(5)；

19、(5)读取低位相变存储器电导gcell,2，若低位相变存储器的电导值大于低位相变存储器目标电导范围上限gupper,2，则对低位相变存储器施加reset脉冲，否则，执行步骤(6)；

20、(6)读取低位相变存储器电导gcell,2，若低位相变存储器的电导值小于gupper,2且大于glower,2，则退出写验证操作，否则，执行步骤(4)；其中，低位相变存储器的目标电导根据高位相变存储器电导值的误差进行修改。

21、作为进一步优选的，在步骤(1)中，高位相变存储器的目标电导范围下限glower,1为：

22、glower，1＝gtarget，1(1-range1)

23、set脉冲的幅值vset1,n为：

24、vset,n＝vset,n-1+vstep,set

25、式中，gtarget,1为高位相变存储器目标电导；range1为高位相变存储器目标电导的误差范围；vset,n-1为上一次施加的set脉冲的电压幅值；vstep,set为施加set脉冲过程中的步进电压。

26、作为进一步优选的，在步骤(2)中，高位相变存储器的目标电导范围上限gupper,1为：

27、gupper,1＝gtarget，1

28、reset脉冲的幅值vreset,n为：

29、vreset,n＝vreset,n-1+vstep,reset

30、式中，gtarget,1为高位相变存储器目标电导；vreset,n-1为上一次施加的reset脉冲的电压幅值；vstep,reset为施加reset脉冲过程中的步进电压。

31、作为进一步优选的，在步骤(4)中，低位相变存储器目标电导范围下限glower,2为：

32、glower,2＝gtarget,2(1-range2)

33、gtarget,2＝gtarget,2,origin-n(gcell,1-gtarget,1)

34、set脉冲的幅值vset,n为：

35、vset,n＝vset,n-1+vstep,set

36、式中，gtarget,2为低位相变存储器对高位相变存储器电导误差补偿后的目标电导；gtarget,2,origin为低位相变存储器最初设置的目标电导；range2为低位相变存储器目标电导的误差范围；vset2,n-1的为上一次施加的set脉冲的电压幅值；vstep,set为施加set脉冲过程中的步进电压。

37、作为进一步优选的，在步骤(5)中，低位相变存储器目标电导范围上限gupper,2为：

38、gupper,2＝gtarget,2(1+range2)

39、reset脉冲的幅值vreset,n为：

40、vreset,n＝vreset,n-1+vstep,reset

41、式中，gtarget,2为低位相变存储器目标电导；range2为低位相变存储器目标电导的误差范围；vreset,n-1的为上一次施加的reset脉冲的电压幅值；vstep,reset为施加reset脉冲过程中的步进电压。

42、本技术提供的提高相变存储器阵列突触权重精度的结构及其写入方法，通过一个相变存储器组和参考行固定相变存储器表示一个突触权重，可使相变存储器突触的电导态从n个提升到n2个，大大提高神经突触权重的精度；同时通过该结构及其写入方法，可使相变存储器突触电导值与目标电导之间的误差下降为原来的1/n倍，有效提升基于相变存储器的神经网络的准确率。