当前,人工智能技术在科研、医疗、金融、教育、交通等多个领域逐步取得了突破式的进展,已然成为当前科研界,工业界的核心发展方向,同时芯片作为随处可见的各种电子设备中的核心部件,设计一款基于人工智能的多功能芯片也是时势所趋。但当前现有的人工智能芯片在物联网、车载、导航等对能耗要求苛刻的场景上部署困难,因芯片内部功率低则几瓦高则几十瓦,而低功耗芯片又无法运行复杂算法,从而使得其使用范围十分受限。为突破传统芯片体系结构对深度学习技术在计算能力与能量消耗上的瓶颈,专用集成电路依靠其强大的运算能力、先进的制造技术以及与CPU、GPU完全不同的处理器体系结构,可对神经网络计算实现大幅度的加速,并有效降低功率消耗。所在实习单位的芯片团队提出基于可重构阵列架构的深度学习神经网络人工智能处理器设计,本项目致力于拓展现有处理器的可编程能力,通过指令集、神经元计算单元、输入输出系统与存储系统的定制设计实现对循环网络中长短期记忆网络(LSTM)的实时、高效部署。该长短期记忆神经网络模块的设计能够拓展智能芯片在边缘计算中的应用领域。为实现该网络模块,在本项目中使用软件Matlab进行建模和性能分析,Py Torch框架实现网络搭建和网络训练推断,以获取训练完成网络中的数据和权重参数进行量化处理后,用于支持之后的FPGA验证测试工作。同时根据LSTM网络算法设计搭建LSTM特有状态机,并将该网络部署到整个芯片网络中。在本项目中提出一种基于可重构配置的数据流处理器设计,该处理器根据不同神经网络内核调整数据流的控制模式来调配不同功能模块和片上片下存储单元。并提出将16个神经元计算单元4分复用与控制核结合的长短期记忆神经网络架构设计,在只配置片上RAM存储时,与GPU相比降低了三个数量级的功耗,仅用30m W到50m W左右。项目中使用Modelsim作为仿真工具,Vivado工具作为开发平台,采用自顶向下的设计思想和模块化设计方法,为使得芯片支持高速算法和能够处理神经网络大型数据集,设计搭建DDR IP核完成逻辑综合布局布线后得到仅约1W左右的片上功耗。并使用Kintex-7系列XEM7350开发板根据训练网络数据和配置链参数实现对所设计硬件电路进行验证分析。本项目设计模块实现将长短期记忆神经网络模块并入可重构芯片设计中,提出设计采用4分复用方法有效提高神经元计算单元利用率,提高计算效率,降低功耗。采用片上片外存储增强存储灵活性,并研究发表可重构数据流处理器相关论文专利以支持多种神经网络进行模块可重构配置,实现数据流可重构目标。