-
公开(公告)号：CN116484928A
公开(公告)日：2023-07-25
申请号：CN202310220095.7
申请日：2023-03-09
Applicant: 西安电子科技大学
IPC: G06N3/063 , G06N3/0464
Abstract: 一种基于VisionTransformer神经网络的硬件加速器及加速方法，其加速器是将VisionTransformer神经网络部署在ZYNQ开发平台上；其加速方法是：ARM处理器获取特征图片存到DDR存储器，读取的数据分散到输入缓存和权重缓存，处理完的特征图片输入到片上缓存单元，处理好的数据发送到PL端，对PL端的硬件IP进行配置，同时进行读写操作，获得最终计算结果，写入DDR存储器，将DDR存储器中的数据取出并完成概率运算，将概率运算结果传输给PC机，PetaLinux操作系统对VisionTransformer神经网络的硬件加速器系统进行移植，从PC机得到推理的预测结果；本发明通过采取多输入多输出通道的并行方法，对神经网络结构进行优化，使计算速度快、硬件资源占用低、识别准确率高，可高效完成图像分类任务。
-
公开(公告)号：CN115020403A
公开(公告)日：2022-09-06
申请号：CN202210750569.4
申请日：2022-06-29
Applicant: 西安电子科技大学
IPC: H01L27/02
Abstract: 一种用于低电源电路的硅整流器件，包括P衬底、N阱与P阱，在N阱表面由外向内设置与器件阳极连接的N+区域一和P+区域一，并以浅沟槽隔离区域一隔开，在P阱表面由外向内设置与器件阴极连接的P+区域二和N+区域二，并以浅沟槽隔离区域二隔开，在N阱表面和P阱表面还设置有N+区域三，N+区域三与P+区域一之间以浅沟槽隔离区域三隔开，利用栅极连接N+区域三和N+区域二，从而形成以N+区域三为漏极，以N+区域二为源极的MOS结构；其中栅极与器件阴极连接。N阱中，在P+区域一下方设置N浅阱，P阱中，在栅极下方设置P浅阱。本发明器件的触发电压与保持电压可调，能灵活用在低电源电路中，且可避免发生闩锁效应。
-
公开(公告)号：CN116306851A
公开(公告)日：2023-06-23
申请号：CN202310292490.6
申请日：2023-03-23
Applicant: 西安电子科技大学
IPC: G06N3/063 , G06N3/0464 , G06F7/544 , G06F17/15
Abstract: 基于PYNQ的YOLOv4‑tiny神经网络加速器及加速方法，加速器是将YOLOv4‑tiny神经网络部署在PYNQ开发平台上；加速方法是：ARM从上位机获取待处理数据，存入DDR中，同时对寄存器组进行配置，将配置参数路由到计算模块中，然后将DDR中待处理数据输入到CBUF中，乘加PE阵列从CBUF中读取数据，完成乘累加操作，得到卷积运算结果，依次输入协助运算通路和池化运算通路，得到池化运算结果，将该结果通过MCIF写回DDR中，PS端重新对下一层计算的寄存器组进行配置，不断迭代上述过程直到所有层计算完成，然后通过AXI4将结果输入DDR中，PS端将计算结果传输给上位机进行解码和显示；本发明简化了硬件复杂度，降低了电路功耗，在兼顾并行度和算力的同时，具有与算法更加适配的特点。
-
公开(公告)号：CN115690413A
公开(公告)日：2023-02-03
申请号：CN202211238982.9
申请日：2022-10-11
Applicant: 西安电子科技大学
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 一种基于U型网络对医疗图像进行语义分割的方法，获取样本集，并划分训练集和测试集；样本集中，每张医疗图像及其自身掩图作为一组样本；构建识别模型，并利用训练集训练该识别模型，利用测试集测试训练效果，得到满足要求的优化模型；识别模型基于改进的U型网络，改进的U型网络包括主干提取网络和特征加强网络；改进的U型网络，是在经典U型网络结构上，加入了二值化操作；将待识别的医疗图像输入优化模型，完成目标识别，本发明可以准确快速的完成对医疗图像的语义分割，比传统的U型网络，速度更快，准确率更高，提高了医疗图像研究的效率。
-
公开(公告)号：CN115544854A
公开(公告)日：2022-12-30
申请号：CN202211264349.7
申请日：2022-10-17
Applicant: 西安电子科技大学
IPC: G06F30/25 , G06F30/27 , G06F119/02
Abstract: 基于神经网络预测FinFET器件的单粒子效应及特征参数的方法，包括；步骤1，获取多组FinFET器件单粒子效应曲线的数据并提取曲线的特征参数，作为样本集；步骤2，将样本集的多组数据按比例随机划分为训练集、验证集；分别对训练集、验证集的FinFET器件单粒子效应参数进行标准化处理；步骤3，构建神经网络预测模型；步骤4，使用训练集和验证集对神经网络预测模型进行训练，得到训练后的预测模型；步骤5，向训练后的神经网络预测模型输入FinFET器件的不同单粒子效应参数，分别得到所预测FinFET器件的单粒子效应曲线以及特征参数。本发明通过输入不同的粒子入射条件，可以快速准确地获得单粒子效应曲线及相应的特征参数，实验中使用的神经网络模型具有较高的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN116090390A
公开(公告)日：2023-05-09
申请号：CN202211737893.9
申请日：2022-12-31
Applicant: 西安电子科技大学
IPC: G06F30/367 , G06F30/27 , G06N3/084 , G06N3/0464
Abstract: 一种基于深度学习的FINFET器件直流特性预测方法，通过ADS软件调用BSIM‑CMG模块，构建FINFET器件电学特性测试原理图，使用ADS软件内置的批量仿真模块提取不同尺寸FINFET器件的电学特性，将影响器件特性的尺寸以及器件的栅压VGS作为输入特征，器件的电学特性作为输出结果，完成数据集的构建；将构建的数据集按比例划分训练集、测试集和预测集；构建基于深度学习神经网络的器件电学特性预测模型；利用数据集训练器件电学特性预测模型，利用训练完成得到的器件电学特性预测模型对器件电学特性进行预测。本发明可解决仿真电路模拟器软件学习成本高和耗时久，效率低等问题；并通过深度学习方式大幅降低操作门槛。
-
公开(公告)号：CN115841077A
公开(公告)日：2023-03-24
申请号：CN202211552471.4
申请日：2022-12-05
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 一种基于残差神经网络的CMOS反相器单粒子效应预测方法，设计CMOS反相器的K组单粒子效应参数数据，使用TCAD软件对每组数据进行仿真，得到CMOS反相器的K条单粒子效应曲线，所述单粒子效应曲线的横坐标为时间，纵坐标为电流或电压，即，为瞬态电流曲线或瞬态电压曲线；仿真过程中以L个时间点将时间划分为L－1个区间，每个时间点在单粒子效应曲线上对应一个数据点，从所述单粒子效应曲线提取单粒子效应参数，数据点的数据和单粒子效应的特征参数，作为样本集；利用该样本集训练残差神经网络预测模型，模型输出为预测的单粒子效应曲线或单粒子效应的特征参数。本发明提高了CMOS反相器单粒子效应研究的效率。
-
公开(公告)号：CN115561559B
公开(公告)日：2025-05-23
申请号：CN202211274849.9
申请日：2022-10-18
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于稠密连接网络的单粒子预测效应方法，包括以下步骤；步骤1，GEANT4建模：步骤2，将获取到的不同粒子条件下的LET数据作为数据集；步骤3，将样本总数据集随机划分为训练集，交叉验证集和测试集，并固定随机种子以确保实验结果可复现；步骤4，基于稠密连接网络构建预测模型；步骤5，将训练集输入预测模型优化预测模型；步骤6，在步骤5过程中同时将交叉验证集输入预测模型，通过对比其损失函数曲线与训练集损失函数曲线来调整优化过程中的训练集重复训练次数与反向传播中的学习率；步骤7，评估其预测准确率与泛化能力。本发明能准确和快速地预测微电子器件的线性能量传输数据，从而分析单粒子效应对其产生的影响。
-
公开(公告)号：CN116306402A
公开(公告)日：2023-06-23
申请号：CN202211582911.0
申请日：2022-12-08
Applicant: 西安电子科技大学
IPC: G06F30/3308 , G06F30/10 , G06N3/0464 , G06N3/08
Abstract: 一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，通过TCAD仿真软件建立GAAFET器件模型；通过改变设计参数，得到多条不同设计条件下的电容‑电压特性曲线，以相同的电压间隔，从每条曲线中取出N个数据点作为训练集成学习模型的数据集，按比例划分成训练集、交叉验证集和测试集，并通过K折交叉将训练集划分为K个子集；集成学习模型的输入为一组设计参数，输出为GAAFET器件电容特性；利用数据集训练集成学习模型，满足要求的模型用于不同参数以及不同工作条件下的GAAFET器件电容特性预测。本发明能够快速准确地预测GAAFET特性，解决传统方法所存在的耗时长、效率低、受人工因素等缺点。
-
公开(公告)号：CN116187407A
公开(公告)日：2023-05-30
申请号：CN202310215066.1
申请日：2023-03-08
Applicant: 西安电子科技大学
Abstract: 一种基于脉动阵列自注意力机制的实现系统及方法，系统包括：预处理单元：对输入矩阵进行处理并传输，PE计算单元：对处理后的数据进行缓存、乘法运算、累加操作，输出乘加结果，脉动阵列：乘加结果进行横向和纵向传递，重复上述操作，直至完成乘加计算；矩阵乘法计算单元：获得矩阵和K矩阵的乘积矩阵；自注意力机制模块：获得模块输出Attention(Q、K、V)；方法是一种基于脉动阵列自注意力机制的实现系统的应用；本发明通过利用带反馈机制的PE计算单元组成脉动阵列模块，同时采用并行输入的方式，应用于自注意力机制算法，实现了自注意力机制的硬件计算设计，具有提高脉动阵列的计算带宽、在高计算带宽的同时实现较高的计算准确度，提高工作效率的特点。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
