优化相变存储器阵列中相变存储器电导漂移的补偿电路

本技术属于神经形态计算，更具体地，涉及一种优化相变存储器阵列中相变存储器电导漂移的补偿电路。

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，相变存储器存在一些非理想特性，比如电导漂移，器件的电导随时间推移不断变小，这会导致权重信息的丢失，从而导致神经网络的准确率下降。为了降低电导漂移对网络的影响，近几年提出了几种解决方案，比如(i)对激活函数乘上一个随时间变化的补偿因子；(ii)对输入电压乘上一个随时间变化的补偿因子；(iii)定期测量电导值进行编程补偿，这几种方案都需要随时间变化对网络不断调整，大大增加了系统的复杂程度。

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优化相变存储器阵列中相变存储器电导漂移的补偿电路，能有效补偿相变存储器的电导漂移，从而达到提高相变存储器神经网络长时处理能力的目的。

2、为实现上述目的，第一方面，本技术提供了一种优化相变存储器阵列中相变存储器电导漂移的补偿电路，包括多个电流转电压电路，所述电流转电压电路包括放大器和第一相变存储器，各放大器的反向输入端与相变存储器阵列中相对应的行线相连，各放大器的正向输入端接地，各放大器的输出端均通过相对应的第一相变存储器与其反向输入端相连；

3、其中，相变存储器阵列中的相变存储器的电导值被写入后，将第一相变存储器初始化，通过写验证操作，使第一相变存储器调整为一固定阻值。

4、本技术提供的优化相变存储器阵列中相变存储器电导漂移的补偿电路，通过将与传统相变存储器阵列相应行线相连的电流转电压电路中的电阻替换为相变存储器，引入了一个补偿因子，相当于对阵列输出电压乘上一个补偿因子该补偿因子是时间的函数，随时间变化，能够实时补偿相变存储器阵列中相变存储器的电导漂移，从而可有效提高基于相变存储器的神经网络的长时处理能力，同时使得本技术与传统降低电导漂移方法相比，在网络训练完成后，不需要定时测量相变存储器的电导漂移，可大大降低系统的复杂度。

5、作为进一步优选的，所述相变存储器阵列的输出电压为：

6、

7、式中，vout,i为相变存储器阵列第i个行线的输出电压；r0为第一相变存储器的固定阻值；gij为相变存储器阵列中的第i行第j列的相变存储器所表示的突触对应的电导值；vinput,j为相变存储器阵列的第j列线上的输入电压；m为相变存储器阵列的总列数；t0为初始时间；vij是相变存储器阵列中的第i行第j列的相变存储器的电导漂移系数；vi是连接在第i行线上的电流转电压电路中的第一相变存储器的电导漂移系数。

8、第二方面，本技术提供了一种优化相变存储器阵列中相变存储器电导漂移的补偿方法，包括如下步骤：

9、s10，在所述相变存储器阵列相对应的行线上对应串联一电流转电压电路；其中，电流转电压电路包括放大器和第一相变存储器，放大器的反向输入端与其相对应的行线相连，放大器的正向输入端接地，放大器的输出端通过相对应的第一相变存储器与其反向输入端相连；

10、s20，在相变存储器阵列中的相变存储器的电导值被写入后，将第一相变存储器初始化，通过写验证操作使第一相变存储器调整为一固定阻值。

11、作为进一步优选的，步骤s20具体为：

12、(1)读取各第一相变存储器电导gcell，若该第一相变存储器的电导值小于其目标电导范围下限glower，则对该第一相变存储器施加set脉冲，否则，执行步骤(2)；

13、(2)读取该第一相变存储器电导gcell，若该第一相变存储器的电导值大于其目标电导范围上限gupper，则对该相变存储器施加reset脉冲，否则，执行步骤(3)；

14、(3)读取该第一相变存储器电导gcell，若该第一相变存储器的电导值小于gupper且大于glower，说明该相变存储器的电导值已调整在固定阻值的误差范围内，则退出写验证操作，否则，执行步骤(1)。

15、作为进一步优选的，在步骤(1)中，第一相变存储器的目标电导范围下限glower为：

16、glower＝gtarget(1-range)

17、set脉冲的幅值vset，n为：

18、vset,n＝vset,n-1+vstep,set

19、式中，gtarget为第一相变存储器目标电导；range为第一相变存储器目标电导的误差范围；vset,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。

20、作为进一步优选的，在步骤(2)中，第一相变存储器的目标电导范围上限gupper为：

21、gupper＝gtarget(1+range)

22、reset脉冲的幅值vreset,n为：

23、vreset,n＝vreset,n-1+vstep,reset

24、式中，gtarget为第一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。

25、第三方面，本技术提供了一种相变存储器阵列，包括上述所述的优化相变存储器阵列中相变存储器电导漂移的补偿电路以及电连接在多条行线和多条列线之间的存储单元。

26、作为进一步优选的，每一列存储单元均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正值相变存储器和负值相变存储器组成，正值相变存储器行线对应与所述补偿电路中的一电流转电压电路相连，所述相变存储器组中的负值相变存储器行线通过第一反向放大电路反向后与其上相邻设置的正值相变存储器行线相连；每一列存储单元中的若干个相变存储器组用于实现神经网络中的若干个突触权重。

27、作为进一步优选的，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，各权重行相变存储器行线对应与所述补偿电路中的一电流转电压电路相连，所述参考行相变存储器行线通过第二反向放大电路反向后与各权重行相变存储器行线相连；每一列存储单元中的若干个权重行相变存储器共用同一列上的参考行固定相变存储器用于实现神经网络中的若干个突触权重。

28、第四方面，本技术提供了一种神经网络，所述神经网络的突触由上述所述的相变存储器阵列实现。

29、可以理解的是，上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。