技术特征：
1.一种基于ai芯片的任务处理方法，其特征在于，所述方法包括：构建脉冲神经网络模型；采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；接收任务请求，并确定所述任务请求的任务类型；根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。2.根据权利要求1所述的方法，其特征在于，所述采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化，包括：采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，并采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位。3.根据权利要求2所述的方法，其特征在于，所述采用阈值预测模型，优化所述脉冲神经网络模型中脉冲触发阈值，包括：获取所述脉冲神经网络模型的历史脉冲输入数据；采用预置的阈值预测模型，根据所述历史脉冲输入数据，预测脉冲输入突触与脉冲触发阈值之间的关系，并基于所述脉冲输入突触与脉冲触发阈值之间的关系，对所述脉冲神经网络模型中脉冲触发阈值进行优化。4.根据权利要求2或3所述的方法，其特征在于，所述采用带泄漏整合发放模型，优化所述脉冲神经网络模型中膜电位，包括：获取所述脉冲神经网络模型中突触电位的漏电数据；采用预置的带泄漏整合发放模型，根据所述漏电数据，对所述脉冲神经网络模型中膜电位进行优化。5.根据权利要求4所述的方法，其特征在于，还包括：采用重置方案，对所述脉冲神经网络模型中膜电位进行重置。6.根据权利要求5所述的方法，其特征在于，所述采用重置方案，对所述脉冲神经网络模型中膜电位进行重置，包括：将所述脉冲神经网络模型中膜电位重置为恒定值；或者，从所述脉冲神经网络模型中膜电位中减除重置值。7.根据权利要求1所述的方法，其特征在于，所述阈值预测模型为基于贝叶斯定理构建的数据模型。8.一种基于ai芯片的任务处理装置，其特征在于，所述装置包括：脉冲神经网络模型构建模块，用于构建脉冲神经网络模型；参数优化模块，用于采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；任务确定模块，用于接收任务请求，并确定所述任务请求的任务类型；任务处理模块，用于根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所
述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于ai芯片的任务处理方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于ai芯片的任务处理方法。
技术总结
本发明实施例提供了一种基于AI芯片的任务处理方法和装置，所述方法包括：构建脉冲神经网络模型；采用预置的阈值预测模型和带泄漏整合发放模型，对所述脉冲神经网络模型中至少包括脉冲触发阈值和膜电位在内的参数进行优化；接收任务请求，并确定所述任务请求的任务类型；根据所述任务类型，确定目标脉冲神经网络模型，并调用所述目标脉冲神经网络模型对所述任务请求进行处理，得到处理结果。通过本发明实施例，实现了在AI芯片中调用优化后的脉冲神经网络模型进行任务处理，且通过对脉冲神经网络模型中括脉冲触发阈值和膜电位进行优化，提升了模型处理效率。提升了模型处理效率。提升了模型处理效率。
技术研发人员：葛康康
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.12.02
技术公布日：2023/3/31