一种基于内存计算的微流控芯片

1.本发明涉及微流控芯片技术领域，尤其涉及一种基于内存计算的微流控芯片。


背景技术：

2.微流控(microfluidics)是一种精确控制微尺度流体(10-9
～10-18
l)的技术，可基于多种学科原理对样品进行操控(如：电学操控技术、光学操控技术、磁学操控技术、声学操控技术)；微流控芯片(microfluidic chip)也称为芯片实验室(lab-on-a-chip)，将生物、化学、医学等领域的样品预处理、反应、分选、检测、分析等功能集成到一块微米尺度的芯片上，在芯片上完成样品分析的全过程；具有体积小、样品消耗低、检测速度快、操作简便、多功能集成、便于携带等优点，在许多领域具有广阔的应用前景。
3.传统的微流控芯片在工作过程中，往往需要专业人士进行人为的观测和介入，从而使微流控芯片达到稳定的工作状态；微流控芯片在工作过程中产生的实时数据量较大，其数据的有效特征信息难以定义和提取，因此微流控的操控与分析一直是该领域的难点之一；针对这一难题，近年来有研究人员将机器学习运用于微流控芯片领域，优化其操控、分析等功能，取得了非凡的突破；机器学习在大数据分析、特征提取等方面具有得天独厚的优势，已在微流控芯片领域展现出卓越的应用潜力。
4.然而机器学习在微流控技术领域的技术发展，目前都是对机器学习的算法进行创新和优化，其计算平台仍是基于传统的冯
·
诺依曼结构(von neumann architecture)。在冯
·
诺依曼结构中，存储单元与计算单元是两个独立的单元，计算时需要根据指令将存储单元中的数据传输至计算单元，计算单元完成计算后，再次将数据传输至存储单元，该技术瓶颈严重限制了系统的效率和功耗，通常被称为“内存墙(memory wall)”。同时，由于微流控芯片在工作过程中通常会产生大量的实时数据，“内存墙”瓶颈问题体现得尤为明显；将机器学习应用在微流控芯片领域的优势显著，而目前业内主要考虑在软件层面进行相应的技术改良，并没有考虑从硬件层面进行优化；因此针对机器学习在微流控芯片领域的硬件计算平台，进行硬件架构层面的技术突破已成为当前的迫切需求，而行业内并没有相关的技术手段应对。


技术实现要素：

5.针对上述存在的问题或不足，为解决现阶段机器学习在微流控技术领域的应用存在“内存墙”瓶颈问题，本发明提供了一种基于内存计算的微流控芯片；从结构上将内存计算技术与微流控芯片相结合，将微流控模块、传感模块、内存计算模块集成到微流控芯片中；通过传感模块即时获取微流控模块的基础特征信息(如：速率、形状、排列、温度等)，作为机器学习的输入变量；将机器学习原本在计算单元中进行的计算移至内存计算模块的存储单元中进行，有效提高机器学习对微流控芯片的计算效率，降低系统功耗。
6.一种基于内存计算的微流控芯片，包括微流控模块、传感模块和内存计算模块。
7.所述微流控模块，包含至少一个微流控驱动模块和至少一个微流道，各微流控驱
动模块分别基于多种学科原理(如：电学操控技术、光学操控技术、磁学操控技术和/或声学操控技术)。
8.每个微流道根据微流控模块的功能需求，选择并设计微流道的材料、参数和形状，结合微流控驱动模块，对微尺度流体(10-9
～10-18
l)进行精确操控，实现微流控的功能。
9.所述传感模块包含至少一个图像传感模块和/或物理传感模块，图像传感模块用于即时获取微流控模块的图像基础特征信息(如：形状、排列等)，物理传感模块用于即时获取微流控模块的物理基础特征信息(如：速度、温度等)，并输出对应的机器学习输入变量。
10.所述内存计算模块接受传感模块输出的机器学习输入变量，在内存计算模块的存储单元中进行计算，完成机器学习的训练和/或推断，并将训练结果反馈至内存计算模块，对其存储的模型参数进行更新；推断结果将输出至微流控芯片的微流控模块或外围设备，实现机器学习的具体任务。
11.进一步的，所述机器学习的具体任务为样品检测、样品分类和/或自动操控。
12.进一步的，所述微流控驱动模块分别基于电学操控技术、光学操控技术、磁学操控技术和/或声学操控技术。
13.进一步的，所述微流控模块实现的微流控功能为样品的预处理、反应和/或分选功能。
14.进一步的，所述机器学习的算法为人工神经网络。
15.上述基于内存计算的微流控芯片，其工作流程如下：
16.步骤1、全局复位，将微流控芯片中所有模块的状态初始化。并将机器学习的模型参数存储至内存计算模块的存储单元。
17.步骤2、在微流道中加入微尺度流体实验样品，结合各微流控驱动模块，对微流道中的实验样品进行精确操控，实现微流控的功能。
18.步骤3、传感模块即时获取微流控模块的基础特征信息(如：速率、形状、阵列、温度等)，输出相应的机器学习输入变量。
19.步骤4、机器学习输入变量传输至内存计算模块，在其存储单元进行机器学习的计算，完成机器学习的训练和/或推断(如人工神经网络计算)。
20.步骤5、训练结果反馈至内存计算模块中，对其存储的模型参数进行更新；推断结果输出至微流控芯片的微流控模块或外围设备，实现机器学习的具体任务。
21.综上所述，本发明针对现阶段机器学习在微流控技术领域的应用存在“内存墙”瓶颈问题，从硬件架构的角度考虑，通过将内存计算技术与微流控芯片相结合，将微流控模块、传感模块、内存计算模块集成到微流控芯片中，使机器学习原本需要在独立计算单元进行的计算转移至微流控芯片的存储单元中进行，有效提高机器学习对微流控的计算效率，降低系统功耗。
附图说明
22.图1是本发明中基于内存计算的微流控芯片的框架示意图；
23.图2是实施例的完整工作流程图；
24.图3是实施例中微流控模块的框架示意图；
25.图4是实施例中rram交叉存储阵列的结构示意图；
26.图5是实施例中rram交叉存储阵列矩阵乘法计算的原理示意图；
27.图6是实施例中内存计算模块的框架示意图；
28.图7是实施例中人工神经网络的工作流程图。
具体实施方式
29.为了更清楚地说明本发明中的技术方案，下面结合附图和实施例对本发明做进一步的详细说明。
30.本实施例将采用rram器件(阻变存储器)作为存储单元；采用1r结构作为交叉存储阵列的存储单元选通组织方案，采用saw器件(声表面波器件)作为微流控驱动模块；采用人工神经网络作为机器学习算法，对附图进行简单地介绍；显而易见地，该框架采用的存储单元不局限于rram器件；该框架采用的存储单元选通组织方案不局限于1r结构；该框架采用的微流控驱动模块不局限于saw器件；该框架采用的机器学习算法不局限于人工神经网络，以下描述中的附图仅仅是本发明的一种实施例，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，可以根据这些附图获得其他的附图。
31.图1为本发明基于内存计算的微流控芯片的框架示意图。本发明由三个大模块组成，分别为微流控模块、传感模块和内存计算模块。三种模块都集成在同一衬底上(如：pdms衬底)，微流控模块对微尺度流体实验样品进行精确操控，实现微流控功能(如：预处理、反应、分选等)；传感模块对微流控模块的基础特征信息进行即使采集(如：速率、形状、排列、温度等)，输出相应的模拟电压；内存计算模块用于存储机器学习的模型参数，在存储单元中进行计算，完成机器学习的训练和/或推断，将训练结果反馈至内存计算模块，对其存储的算法模型进行更新。将推断结果输出至微流控芯片或外围设备，实现机器学习的具体任务(如：样品检测、样品分析、自动操控等)。
32.本实施例中，所述内存计算模块包含交叉存储阵列、字/位线驱动模块、限制电流模块、标准化模块和激活函数模块。
33.交叉存储阵列，用于存储人工神经网络的权重数据，并完成机器学习的矩阵乘法计算。交叉阵列的行和列分别称为字线(word line)和位线(bit line)，字线和位线与字/位线驱动模块连接，其存储单元通常有多种组织方案：一个晶体管作为选择晶体管与一个存储器件串联(1t-1r结构)；一个整流器件(如：二极管)与一个存储器件串联(1d-1r结构)；单个存储器件作为存储单元(1r结构)，起到存储单元的选通作用；其存储单元通常为非易失性存储器件(如：阻变随机存储器(rram)、相变随机存储器(pcram)、铁电随机存储器(fram)、磁阻随机存储器(mram)等)。
34.所述交叉存储阵列至少一个，由非易失性存储器作为存储单元排布而成，用于存储人工神经网络的权重数据，并完成人工神经网络的矩阵乘法计算。
35.所述字/位线驱动模块至少一个，用于内存地址的选择，控制交叉存储阵列中每个存储单元的工作状态，对存储单元中的数据进行读/写操作。
36.所述限制电流模块至少一个，通过限制字/位线驱动模块的最大电流大小，对字/位线驱动模块选中的存储单元的电导值进行精确擦写。
37.所述标准化模块至少一个，用于将输入的电压/电流信号按比列缩放，使之落入特定区间，具体区间根据实际应用情况而定，确保输入信号的大小能够落入存储单元读区间。
38.所述激活函数模块至少一个，获取交叉存储阵列的输出电流作为激活函数的输入变量，输出对应的模拟电压作为输出变量，用于增加矩阵乘法计算结果的非线性。
39.图2为本实施例的完整工作流程图。
40.本实施例的工作流程主要包含5个步骤：
41.(1)全局复位，将微流控芯片的所有模块进行初始化，随后通过字/位线驱动模块对每个rram存储单元的电导值进行擦写，由此将人工神经网络的权重数据存储至内存计算模块。
42.(2)在微流控模块的微流道中加入微尺度流体实验样品，对微流道中的实验样品进行精确操控，实现微流控的功能(如：样品的预处理、反应和/或分选功能等)。
43.(3)传感模块提取微流控模块的基础特征信息(如：速率、形状、排列、温度等)，输出对应的模拟电压，作为人工神经网络的输入变量。
44.(4)模拟电压传输至内存计算模块。
45.4-1、内存计算模块获取传感模块输出的模拟电压，通过标准化模块将模拟电压大小转换至能够落入rram存储单元的读区间，传输至交叉存储阵列的字线。
46.4-2、交叉存储阵列通过自身的物理特性完成矩阵乘法计算，位线输出的模拟电流大小作为矩阵乘法计算的结果，输出至激活函数模块。
47.4-3、激活函数模块增加矩阵乘法计算的非线性，完成计算，并将计算结果输出。
48.(5)内存计算模块输出计算结果，完成人工神经网络的训练和/或推断，若进行训练，计算结果反馈至内存计算模块中，对其存储的权重数据进行更新；若进行推断，计算结果将结果输出至微流控芯片和/或外围设备，完成机器学习的具体任务(如：样品检测、样品分析、自动操控等)。
49.若人工神经网络为多层网络，输入层和隐藏层的计算结果(模拟电流)将传输至标准化模块，转换为对应大小的模拟电压，跳至步骤4-2，进行下一层的计算。
50.图3为本实施例中，微流控模块和传感模块的框架示意图。
51.微流控模块包含微流道和基于saw器件的微流控驱动模块；微流道是通过微型工艺技术制备的微尺度流体通道，通过选择并设计不同材料、参数和形状的微流道，结合微流控驱动模块可以精确控制微尺度流体实验样品；微流道的周围集成了saw器件作为微流控驱动模块，saw器件通过叉指换能器(idt)，将输入的电能信号转换为声能，选择并设计saw器件自身的材料、形状和参数，以及调整输入电能信号的功率(和/或)谐振频率，生成不同类型与参数的声波(如：瑞利波(rayleigh wave)、拉姆波(lamb wave)、乐甫波(love wave)等)；声波能量汇聚于基底表面，可有效地对基底表面的微流体及流体中物质进行驱动、分离等操纵；传感模块包含图像传感器和物理传感器，图像传感器用于即时获取微流控的图像基础特征信息(如：形状、排列等)，物理传感器用于即时获取微流控的物理基础特征信息(如：速率、温度等)；
52.图4为本实施例中，1r结构的rram交叉存储阵列的结构示意图。
53.本实施例采用结构最为简单的1r结构存储单元的rram交叉存储阵列；交叉存储阵列中包含多个字线和多个位线，每个字/位线交叉处有一层微/纳米级绝缘材料(如：二氧化铪，二氧化钛、氧化镍等)，字/位线分别作为顶/底电极，构成典型mim结构(金属-绝缘-金属结构)的rram存储单元；通过选择具体的字线和位线，可以对具体的rram存储单元进行读/
写操作；例如，当字/位线驱动模块选择字线wli和位线blj时，对应的rram存储单元m
ij
被选中；rram存储单元的电导值根据器件两端施加的电压发生改变；设从字线(顶电极)到位线(底电极)为正向，当字位电压为正向时，当且仅当字位电压超过正向阻变阈值v
set
时，rram存储单元的电导值变大，该现象称为set过程；set过程中可通过调整限制电流大小、电压施加时长，控制电导值变化量，限制电流越大、电压施加时长越长，电导值变化量越大，反之亦然；当字位电压为负向时，当且仅当字位电压超过负向阻变阈值v
reset
时，rram存储单元的电导值变小，该现象称为reset过程；reset过程中可通过调整限制电流大小、电压施加时长，控制电导值变化量，限制电流越大、电压施加时长越长，电导值变化量越大，反之亦然；字/位线驱动单元读取rram存储单元的电导值时，字位电压设置为远低于正向阈值电压v
set
的正向小电压信号v
read
(通常为0.1～0.5v)，电流值为i
read
，通过公式：
[0054][0055]
可得rram存储单元的电导值。
[0056]
图5为本实施例中，基于rram交叉存储阵列的矩阵乘法计算原理。
[0057]
rram交叉存储阵列基于欧姆定律和基尔霍夫定律，利用自身结构在交叉矩阵中进行神经网络的矩阵乘法计算，实现内存计算；在矩阵乘法计算中，字线i的输入电压为vi(i＝1,2,3,
…
,n；n为字线数量)，字线i与位线j之间的rram存储单元mij的电导值为g
ij
(j＝1,2,3,
…
,m；m为位线数量)，经过存储单元ij的电流i
ij
在位线j进行汇合，位线j的输出电流ij为矩阵乘法计算结果：
[0058][0059]
图6为本实施例中，内存计算模块的框架示意图。
[0060]
内存计算模块包含rram交叉存储阵列、字/位线驱动模块、限制电流模块、标准化模块、激活函数模块；rram交叉存储阵列用于存储神经网络的权重数据，并完成神经网络的矩阵乘法计算；字/位线驱动模块用于内存地址的选择，控制交叉存储阵列中每个存储单元的工作状态，对存储单元中的数据进行读/写操作；限制电流模块通过调整字/位线驱动模块的输出电流大小，对字/位线驱动模块选中的存储单元的电导值进行精确擦写；标准化模块用于将输入电压/电流信号转换至合适大小，按比列缩放，使之落入特定区间，确保输入信号的大小落入交叉存储矩阵的读区间；激活函数模块对矩阵乘法计算结果进行非线性化，输出最终计算结果。
[0061]
图7为本实施例中，人工神经网络的框架示意图。该实施例的人工神经网络包含输入层，隐藏层，输出层；其中隐藏层的层数以及各层神经元的具体个数可根据实际应用情况确定；上一层神经元i与下一层神经元j的关联强弱程度由两个神经元之间的权重决定，权重越大，两个神经元的关联强度越大。在基于rram交叉存储阵列的矩阵乘法计算中，字线i的输入电压vi为上一层神经元i的输出信号，rram存储单元m
ij
的电导值g
ij
为上一层神经元i与下一层神经元j之间的权重，位线的输出电流ij被标准化模块转换为对应模拟电压，作为下一层神经元j的输入信号。
[0062]
通过以上实施例可见，本发明通过将内存计算技术与微流控芯片相结合，将微流
控模块、传感模块、内存计算模块集成到微流控芯片中，使原本需要在外部计算单元进行的机器学习的计算转移至微流控芯片的存储单元中进行，有效提高机器学习针对微流控的计算效率，降低系统功耗。