公开(公告)号：CN114611412B

公开(公告)日：2024-07-16

申请号：CN202210436539.6

申请日：2022-04-25

Applicant: 湖南大学

Inventor： 刘杰 ,  谭紫凌 ,  赵卓影 ,  廖天骄 ,  莫平辉 ,  赵丹 ,  王潇男

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F113/18 ,  G06F119/14

Abstract: 本发明涉及人工智能和集成电路设计领域，公开了一种基于神经网络的分子动力学计算芯片设计方法及系统。本发明首先生成训练深度神经网络所需的体系特征数据集；接着训练一个深度神经网络模型来精确拟合原子间受力；将训练好的模型部署到非冯诺依曼架构的芯片中，既能保证预测原子受力的精度又加速了分子动力学计算；然后搭建一个分子动力学计算系统；进行分子动力学计算并保存每一步的原子轨迹，利用原子轨迹信息计算体系的其他宏观性质，具有计算精度高、计算速度快等特点。

公开(公告)号：CN114611412A

公开(公告)日：2022-06-10

申请号：CN202210436539.6

申请日：2022-04-25

Applicant: 湖南大学

Inventor： 刘杰 ,  谭紫凌 ,  赵卓影 ,  廖天骄 ,  莫平辉 ,  赵丹 ,  王潇男

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F113/18 ,  G06F119/14

Abstract: 本发明涉及人工智能和集成电路设计领域，公开了一种基于神经网络的分子动力学计算芯片设计方法及系统。本发明首先生成训练深度神经网络所需的体系特征数据集；接着训练一个深度神经网络模型来精确拟合原子间受力；将训练好的模型部署到非冯诺依曼架构的芯片中，既能保证预测原子受力的精度又加速了分子动力学计算；然后搭建一个分子动力学计算系统；进行分子动力学计算并保存每一步的原子轨迹，利用原子轨迹信息计算体系的其他宏观性质，具有计算精度高、计算速度快等特点。

公开(公告)号：CN114676826A

公开(公告)日：2022-06-28

申请号：CN202210436486.8

申请日：2022-04-25

Applicant: 湖南大学

Inventor： 刘杰 ,  赵卓影 ,  莫平辉 ,  谭紫凌

IPC: G06N3/04 ,  G06N3/08 ,  G06F17/13 ,  G06F17/18

Abstract: 本发明涉及神经网络技术领域，公开了一种求解回归问题的神经网络量化方法。本发明首先获取训练数据集；然后设计一个易于硬件实现的非线性激活函数；再基于该激活函数预训练一个32位浮点型的全连接层神经网络模型；调用预训练模型，将浮点型权重值量化成2的整数次幂的形式，将浮点型偏置值、各层浮点型输入输出以及激活函数的输入输出进行定点量化；最后利用反向传播和梯度下降算法对量化网络模型进行训练。本发明采用移位求和操作代替神经网络中的乘法运算，并采用了一种电路实现简单的激活函数，在保证网络模型拟合精度的同时，大幅减少了模型推理时的运算量，便于网络模型的硬件实现，同时也加快了回归神经网络的计算速度。