-
公开(公告)号：CN110837891B
公开(公告)日：2022-05-17
申请号：CN201911014330.5
申请日：2019-10-23
Applicant: 南京大学
IPC: G06N3/08
Abstract: 本发明涉及基于一种SIMD架构的自组织映射方法及系统，包括：距离计算模块，通过计算输入向量和对应竞争层神经元权值向量的曼哈顿距离，找到距离最小的最佳匹配竞争层神经元；学习率和领域半径计算模块，通过移位操作实现学习率和领域半径的更新；合作模块，在竞争中获胜的神经元不是单独被激励的，而是通过确定获胜神经元为中心的领域，领域内的神经元共同被激励；权值更新模块，在获胜神经元领域半径内部的神经元对应权重得到更新，将计算好的权重存回片上SRAM。本发明支持样本任意分类与任意特征的运算，能够实现低复杂度与高精度的要求。
-
公开(公告)号：CN109282903A
公开(公告)日：2019-01-29
申请号：CN201710596908.7
申请日：2017-07-20
Applicant: 南京大学
IPC: G01J5/20
Abstract: 本发明公开了一种基于表面电磁波共振的高性能CMOS红外微测辐射热计。该微测辐射热计包括L形微桥结构，微桥结构单元包括桥墩、桥臂和红外吸收体，红外吸收体为多层结构，自上而下依次为氮化硅层、金属光栅层、二氧化硅层、蛇形铝热敏电阻层和二氧化硅层。本发明的微测辐射热计结构与传统的微测辐射热计结构相比，在热敏电阻层上面增加了金属光栅，形成MIM结构，该结构利用表面电磁波激发共振，显著提高了探测器的红外吸收率，增加了探测器响应，实现高效率探测。同时本发明的微测辐射热计基于标准CMOS集成电路工艺，具有工艺上容易实现、价格低廉等优点。
-
公开(公告)号：CN111860819B
公开(公告)日：2023-11-07
申请号：CN202010731785.5
申请日：2020-07-27
Applicant: 南京大学
IPC: G06N3/063 , G06N3/0464
Abstract: 本发明涉及一种可拼接、可分段的全连接神经网络推理加速器及其加速方法，加速器包括控制模块、存储模块、计算模块三大功能模块，控制模块有三种模式：配置模式、搬运模式、计算模式。本发明充分利用全连接计算的可并行性以及权重的可共享性，支持多批处理、多路并行计算。控制模块通过模式的跳转来控制整个全连接的实现与加速。本发明可以实现对输入神经元和权重的独立地址的拼接，即可以将需要进行多次计算的全连接合并为一次全连接运算；其次，本发明可以实现全连接计算的拆分，通过暂存中间结果的方式对其进行分段计算，在硬件资源有限的情况下，实现大规模的全连接神经网络的计算。
-
公开(公告)号：CN109977347B
公开(公告)日：2023-06-13
申请号：CN201910251542.9
申请日：2019-03-29
Applicant: 南京大学
Abstract: 本发明的支持多模式配置的可重构FFT处理器，包括：片上SRAM存储器，通过数据对外传输模块与片外存储器进行通信；可重构计算阵列，包含有若干基于IEEE‑754标准的单精度浮点加法器、减法器以及浮点乘法器；FFT控制器，控制FFT运算的整个流程；数据对外传输模块，控制处理器与片外存储器之间的数据传输。有益效果：该处理器具有运算精度高，加速效果明显，硬件资源利用率高的优点。
-
公开(公告)号：CN110826710B
公开(公告)日：2021-04-23
申请号：CN201910996386.9
申请日：2019-10-18
Applicant: 南京大学
Abstract: 本发明公开了基于横向脉动阵列的RNN前向传播模型的硬件加速实现系统及方法，首先配置网络参数，对数据进行初始化后，基于横向脉动阵列，计算中权重采用分块设计，隐藏层计算的权重矩阵按行进行分块，经过矩阵乘向量和向量求和运算和激活函数运算，计算得到隐藏层神经元，随后根据获得的隐藏层神经元，经过矩阵乘向量、向量求和运算和激活函数运算，产生RNN输出层结果，最终依据时间序列长度配置信息，产生RNN网络所需的输出结果，本方法隐藏层和输出层多维度并行，提高了计算的流水性，同时RNN网络中权重矩阵参数共享的特点，采用分块设计，进一步提高计算的并行度，灵活度高、可扩展性强、存储资源利用率高，加速比高，大大降低了计算。
-
Patent Agency Ranking
公开(公告)号：CN111860819A
公开(公告)日：2020-10-30
申请号：CN202010731785.5
申请日：2020-07-27
Applicant: 南京大学
Abstract: 本发明涉及一种可拼接、可分段的全连接神经网络推理加速器及其加速方法，加速器包括控制模块、存储模块、计算模块三大功能模块，控制模块有三种模式：配置模式、搬运模式、计算模式。本发明充分利用全连接计算的可并行性以及权重的可共享性，支持多批处理、多路并行计算。控制模块通过模式的跳转来控制整个全连接的实现与加速。本发明可以实现对输入神经元和权重的独立地址的拼接，即可以将需要进行多次计算的全连接合并为一次全连接运算；其次，本发明可以实现全连接计算的拆分，通过暂存中间结果的方式对其进行分段计算，在硬件资源有限的情况下，实现大规模的全连接神经网络的计算。
-
公开(公告)号：CN110826710A
公开(公告)日：2020-02-21
申请号：CN201910996386.9
申请日：2019-10-18
Applicant: 南京大学
Abstract: 本发明公开了基于横向脉动阵列的RNN前向传播模型的硬件加速实现系统及方法，首先配置网络参数，对数据进行初始化后，基于横向脉动阵列，计算中权重采用分块设计，隐藏层计算的权重矩阵按行进行分块，经过矩阵乘向量和向量求和运算和激活函数运算，计算得到隐藏层神经元，随后根据获得的隐藏层神经元，经过矩阵乘向量、向量求和运算和激活函数运算，产生RNN输出层结果，最终依据时间序列长度配置信息，产生RNN网络所需的输出结果，本方法隐藏层和输出层多维度并行，提高了计算的流水性，同时RNN网络中权重矩阵参数共享的特点，采用分块设计，进一步提高计算的并行度，灵活度高、可扩展性强、存储资源利用率高，加速比高，大大降低了计算。
-
公开(公告)号：CN110837891A
公开(公告)日：2020-02-25
申请号：CN201911014330.5
申请日：2019-10-23
Applicant: 南京大学
IPC: G06N3/08
Abstract: 本发明涉及基于一种SIMD架构的自组织映射方法及系统，包括：距离计算模块，通过计算输入向量和对应竞争层神经元权值向量的曼哈顿距离，找到距离最小的最佳匹配竞争层神经元；学习率和领域半径计算模块，通过移位操作实现学习率和领域半径的更新；合作模块，在竞争中获胜的神经元不是单独被激励的，而是通过确定获胜神经元为中心的领域，领域内的神经元共同被激励；权值更新模块，在获胜神经元领域半径内部的神经元对应权重得到更新，将计算好的权重存回片上SRAM。本发明支持样本任意分类与任意特征的运算，能够实现低复杂度与高精度的要求。
-
公开(公告)号：CN109977347A
公开(公告)日：2019-07-05
申请号：CN201910251542.9
申请日：2019-03-29
Applicant: 南京大学
Abstract: 本发明的支持多模式配置的可重构FFT处理器，包括：片上SRAM存储器，通过数据对外传输模块与片外存储器进行通信；可重构计算阵列，包含有若干基于IEEE‑754标准的单精度浮点加法器、减法器以及浮点乘法器；FFT控制器，控制FFT运算的整个流程；数据对外传输模块，控制处理器与片外存储器之间的数据传输。有益效果：该处理器具有运算精度高，加速效果明显，硬件资源利用率高的优点。
-
公开(公告)号：CN110232441B
公开(公告)日：2023-05-09
申请号：CN201910528794.1
申请日：2019-06-18
Applicant: 南京大学
IPC: G06N3/063
Abstract: 本发明的基于单向脉动阵列的堆栈式自编码算法推理的硬件实现，包括信号控制模块、输入输出控制模块、数据地址产生模块和计算阵列模块；信号控制模块：接收开始信号，控制各模块间通信，产生结束信号；输入输出控制模块：输入时读取片外DDR的数据并按特定方式存入片内SRAM，输出时将片内SRAM数据按特定方式写回DDR；数据地址产生模块：生成源数据或结果数据地址；计算阵列模块：以单向脉动阵列的方式进行神经网络算法的推理运算。本发明支持批处理，支持流水操作，通过乒乓操作实现部分计算时间和访存时间的隐藏，加速比高，可扩展性好。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.017 seconds)
