模数转换电路和对忆阻器的误差校准方法

1.本发明涉及集成电路技术领域，尤其是涉及模数转换电路和对忆阻器的误差校准方法。


背景技术：

2.流水线模数转换器由若干级功能类似的模块组成，每个模块包括模数转换(madc)子模块和数模转换(dac)模块等。流水线adc的精度与madc子模块的信号处理精度密切相关，而madc子模块的工作参数会影响adc模块的信号处理精度。例如，madc的忆阻器为保证流水线adc的精度，需要电阻匹配精度满足设计需求。
3.目前，通常留有大量设计余量(例如增大电容面积)，或者通过模拟或数字方式进行电容补偿。然而，增大电容面积会增加流水线adc的输入负载及运算放大器(opa)负载，不仅增加流水线adc功耗，而且显著增加采样开关、opa等其他模块的设计难度；采用有监督式神经网络adc需要准备特定的训练数据进行校准，因此增加了硬件存储的开销。


技术实现要素：

4.有鉴于此，本发明的目的在于提供模数转换电路和对忆阻器的误差校准方法，利用梯度下降策略和随机权值扰动更新策略摆脱对训练数据的依赖，实现自适应高精度的忆阻神经形态模数转换器；忆阻神经形态模数转换器兼顾高精度和低功耗的特点。
5.第一方面，本发明实施例提供了模数转换电路，包括：忆阻神经形态模数转换器、数模转换器、减法器和采样保持电路；
6.所述忆阻神经形态模数转换器，用于获取模拟输入信号，并将所述模拟输入信号进行模数转换，得到数字信号；
7.所述数模转换器，用于将所述数字信号进行数模转换，得到模拟输出信号；
8.所述采样保持电路，用于将所述模拟输入信号进行处理，得到采样模拟电压信号；
9.所述减法器，用于根据所述采样模拟电压信号和所述数字信号，计算第一差值，并将所述第一差值作为下一级模数转换电路的输入。
10.进一步的，所述数模转换器用于：
11.根据下式计算所述模拟输出信号：
[0012][0013]
其中，d
out
为所述模拟输出信号，v
ref
为所述模数转换器的参考电压，di为所述数字信号，n为所述模数转换器的个数，i取0～3。
[0014]
进一步的，所述忆阻神经形态模数转换器包括突触单元、人工神经元和随机扰动单元，所述突触单元包括多个1t1r单元，所述1t1r单元包括第一mos管和忆阻器；
[0015]
所述第一mos管的栅极接受选通信号，所述第一mos管的源极接受反馈信号，所述第一mos管的漏极与所述忆阻器的底电极相连接，所述忆阻器的顶电极与所述人工神经元
的输入端相连接。
[0016]
进一步的，所述人工神经元包括反向器、比较器、电压跟随器和第二mos管；
[0017]
所述第二mos管用于接收所述随机扰动单元输出的电压设置信号；当所述人工神经元的输出信号用于反馈时，所述电压设置信号控制所述第二mos管断开，使所述比较器和所述电压跟随器进行工作；当所述人工神经元的输出信号不用于反馈时，所述电压设置信号控制所述第二mos管连接，所述人工神经元的输入信号等于所述输出信号。
[0018]
进一步的，所述突触单元的权值分别在低阻态和高阻态之间变化。
[0019]
第二方面，本发明实施例提供了对忆阻器的误差校准方法，应用于如上所述的模数转换电路，所述模数转换电路包括忆阻神经形态模数转换器、数模转换器、减法器和采样保持电路；所述方法包括：
[0020]
获取梯度下降策略；
[0021]
根据所述梯度下降策略更新权值，使所述忆阻神经形态模数转换器达到收敛；
[0022]
获取随机权值扰动更新策略；
[0023]
根据所述随机权值扰动更新策略使能量函数输出不同的信号。
[0024]
进一步的，所述能量函数通过以下方式获取：
[0025][0026]
其中，e为所述能量函数，v
in
为所述模拟输入信号，d
out
为所述模拟输出信号。
[0027]
进一步的，根据所述随机权值扰动更新策略使能量函数输出不同的信号，包括：
[0028]
根据所述模拟输入信号和所述模拟输出信号，计算第二差值；
[0029]
当所述第二差值大于门限值时，输出随机扰动脉冲信号；
[0030]
当所述第二差值小于所述门限值时，输出反馈信号；其中，所述反馈信号为人工神经元的输出信号。
[0031]
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
[0032]
第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
[0033]
本发明实施例提供了模数转换电路和对忆阻器的误差校准方法，模数转换电路包括：忆阻神经形态模数转换器、数模转换器、减法器和采样保持电路；忆阻神经形态模数转换器用于获取模拟输入信号，并将模拟输入信号进行模数转换，得到数字信号；数模转换器用于将数字信号进行数模转换，得到模拟输出信号；采样保持电路用于将模拟输入信号进行处理，得到采样模拟电压信号；减法器用于根据采样模拟电压信号和数字信号，计算第一差值，并将第一差值作为下一级模数转换电路的输入；该方法包括：获取梯度下降策略；根据梯度下降策略更新权值，使忆阻神经形态模数转换器达到收敛；获取随机权值扰动更新策略；根据随机权值扰动更新策略使能量函数输出不同的信号；利用梯度下降策略和随机权值扰动更新策略摆脱对训练数据的依赖，实现自适应高精度的忆阻神经形态模数转换器；忆阻神经形态模数转换器兼顾高精度和低功耗的特点。
[0034]
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变
得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0035]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0036]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明实施例一提供的多级模数转换电路示意图；
[0038]
图2为本发明实施例一提供的忆阻神经形态模数转换器的结构示意图；
[0039]
图3为本发明实施例一提供的突触单元的结构示意图；
[0040]
图4为本发明实施例一提供的人工神经元的结构示意图；
[0041]
图5为本发明实施例二提供的对忆阻器的误差校准方法流程图；
[0042]
图6为本发明实施例三提供的神经网络adc权值迭代过程中的相关参数示意图；
[0043]
图7为本发明实施例三提供的迭代前后神经网络adc的性能指标示意图。
具体实施方式
[0044]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
[0046]
实施例一：
[0047]
图1为本发明实施例一提供的多级模数转换电路示意图。
[0048]
参照图1，模数转换电路包括：忆阻神经形态模数转换器m-adc、数模转换器dac、减法器和采样保持电路；其中，m-adc可以为4bit，dac可以为4bit；
[0049]
忆阻神经形态模数转换器用于获取模拟输入信号，并将模拟输入信号进行模数转换，得到数字信号；
[0050]
数模转换器用于将数字信号进行数模转换，得到模拟输出信号；
[0051]
采样保持电路用于将模拟输入信号进行处理，得到采样模拟电压信号；
[0052]
减法器，用于根据采样模拟电压信号和数字信号，计算第一差值，并将第一差值作为下一级模数转换电路的输入。
[0053]
进一步的，数模转换器用于：
[0054]
根据公式(1)计算模拟输出信号：
[0055][0056]
其中，d
out
为模拟输出信号，v
ref
为模数转换器的参考电压，di为数字信号，n为模数
转换器的个数，i取0～3。
[0057]
进一步的，忆阻神经形态模数转换器包括突触单元、人工神经元和随机扰动单元；参照如图2所示的忆阻神经形态模数转换器的结构示意图。
[0058]
参照图3，突触单元包括多个1t1r单元，1t1r单元包括第一mos管和忆阻器；
[0059]
第一mos管的栅极接受选通信号e，第一mos管的源极接受反馈信号u，第一mos管的漏极与忆阻器的底电极相连接，忆阻器的顶电极与人工神经元的输入端相连接。其中，突触单元的权值w
ij
分别在低阻态1/ron和高阻态1/roff之间变化。
[0060]
进一步的，参照图4，人工神经元包括反向器、比较器、电压跟随器和第二mos管；
[0061]
第二mos管用于接收随机扰动单元输出的电压设置信号v
reset
；当人工神经元的输出信号用于反馈时，电压设置信号v
reset
控制第二mos管断开，使比较器和电压跟随器进行工作；当人工神经元的输出信号不用于反馈时，电压设置信号v
reset
控制第二mos管连接，人工神经元的输入信号ui等于输出信号di。
[0062]
实施例二：
[0063]
由于忆阻器存在的非理想性，本技术提供了对忆阻器的误差校准方法，应用于如上所述的模数转换电路，模数转换电路包括忆阻神经形态模数转换器、数模转换器、减法器和采样保持电路；其中，能量函数训练策略包含两个部分，在软件环境使用梯度下降策略，在硬件环境使用随机权值扰动更新策略。参照图5，该方法包括以下步骤：
[0064]
步骤s101，获取梯度下降策略；
[0065]
步骤s102，根据梯度下降策略更新权值，使忆阻神经形态模数转换器达到收敛；
[0066]
步骤s103，获取随机权值扰动更新策略；
[0067]
步骤s104，根据随机权值扰动更新策略使能量函数输出不同的信号。
[0068]
首先整体的错误率为：
[0069][0070]
其中，e
gd
为错误率，di为模数转换器的数字输出信号，ti为模数转换器的理想输出，用于调整模数转换器的权值的训练数据。
[0071]
梯度下降策略为：
[0072][0073]
其中，δw
ij
(n+1)为每个周期权值的改变量，η为学习率，为错误率对每个权值的求导。
[0074]
随机权值扰动更新策略为：
[0075][0076]
其中，w
per
为接受单位脉冲后神经突触的改变量，γ
ij
为随机脉冲的个数，当满足比较条件时，ui输出随机扰动脉冲信号；当不满足比较条件时，ui输出反馈信号；其中，反馈信
号为人工神经元的输出信号di。
[0077]
在硬件电路中，本技术采用随机权值扰动更新策略，且不需要训练数据，对能量函数进行优化约分为：
[0078][0079]
其中，e为能量函数，v
in
为模拟输入信号，d
out
为模拟输出信号。
[0080]
进一步的，步骤s104包括以下步骤：
[0081]
步骤s201，根据模拟输入信号v
in
和模拟输出信号d
out
，计算第二差值；
[0082]
步骤s202，当第二差值大于门限值时，ui输出随机扰动脉冲信号；
[0083]
步骤s203，当第二差值小于门限值时，ui输出反馈信号；其中，反馈信号为人工神经元的输出信号di。
[0084]
本发明实施例提供了模数转换电路和对忆阻器的误差校准方法，模数转换电路包括：忆阻神经形态模数转换器、数模转换器、减法器和采样保持电路；忆阻神经形态模数转换器用于获取模拟输入信号，并将模拟输入信号进行模数转换，得到数字信号；数模转换器用于将数字信号进行数模转换，得到模拟输出信号；采样保持电路用于将模拟输入信号进行处理，得到采样模拟电压信号；减法器用于根据采样模拟电压信号和数字信号，计算第一差值，并将第一差值作为下一级模数转换电路的输入；该方法包括：获取梯度下降策略；根据梯度下降策略更新权值，使忆阻神经形态模数转换器达到收敛；获取随机权值扰动更新策略；根据随机权值扰动更新策略使能量函数输出不同的信号；利用梯度下降策略和随机权值扰动更新策略摆脱对训练数据的依赖，实现自适应高精度的忆阻神经形态模数转换器；忆阻神经形态模数转换器兼顾高精度和低功耗的特点。
[0085]
实施例三：
[0086]
图6为本发明实施例三提供的神经网络adc权值迭代过程中的相关参数示意图。
[0087]
参照图6，在软件环境中训练hopfield神经网络3000个周期，其中，不考虑软件环境中激活函数的非理想性和设备波动。当8-bit忆阻神经形态模数转换器训练到2800个周期时，归一化能量函数下降到0，达到软件环境的稳定状态。此过程不考虑电路带来的失配误差，通过梯度下降策略的更新算法快速更新权值，使8bit神经网络adc达到收敛；然后将第3000个迭代周期的权重映射到硬件电路中，并使用随机权重变化算法，将能量函数优化至门限以下。具体地，在图6中，(a)为损失函数的下降趋势；(b)为部分典型的权值变化趋势；(c)为移植权值后，w
2,3
的变化趋势；(d)为输出稳定后，w
2,3
的权值。
[0088]
整个过程的评价指标为：
[0089]
inl指单值数据误差，对应该点模拟数据由于忆阻器及结构造成的不能精确测量产生的误差。dnl指刻度间的差值，即对每个模拟数据按点量化产生的误差。lsb指最低有效位，adc模块的数字信号值都是以1lsb的电压步进的。
[0090]
数字加权输出为d
[i]
时，设使数字输出从d
out
[i-1]变为d
out
[i]时，模拟值输入为v
[i-1]
，使数字输出从d
out
[i]变为d
out
[i+1]时模拟值输入为vi，则有定义数字输出d
out
[i]的码宽为：
[0091]h[i]
＝v
[i-1]-v
[i]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0092]
当i＝0(即所有数字输出为0)和d
out
为最大值(即所有数字输出为1)时，这时两个
数字输出间的码宽为1lsb。lsb的定义如下：
[0093][0094]
基于码宽和lsb我们可以得出dnl和inl：
[0095][0096]
在正弦波的一个转换周期中，sndr是用于衡量数据转换器的动态性能的关键参数之一，因为sndr考虑了奈奎斯特带宽上的所有噪声功率p
noise
和杂散功率p
distorion
对信号功率p
signal
的影响，sndr说明的是输入信号的质量；sndr越大，输入功率中的噪声和杂散比率越小。sndr的表达式为：
[0097][0098]
有效位数(enob)是用于衡量数据转换器相对于输入信号在奈奎斯特带宽上的转换质量(以位为单位)的参数：
[0099][0100]
最终m-adc校准前后的性能指标在图7中进行展示。参照如图7所示的迭代前后神经网络adc的性能指标示意图。(a)为随机扰动前的inl性能；(b)为随机扰动后的inl；(c)为随机扰动前的dnl；(d)为随机扰动后的dnl；(e)为随机扰动前的动态性能指标；(f)为随机扰动后的动态性能指标。
[0101]
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的对忆阻器的误差校准方法的步骤。
[0102]
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的对忆阻器的误差校准方法的步骤。
[0103]
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0104]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0105]
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可
以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0106]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0107]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0108]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。