如何减少面向物联网设备(如可穿戴健康监测设备、微型智能感知设备等)的神经网络处理器的功耗与成本,是实现人工智能物联网(AIoT)技术的关键问题。采用二值神经网络、新型存储器(如忆阻器RRAM、近阈值SRAM)等近似计算技术,可以大幅降低神经网络处理器的功耗与成本。然而,RRAM或近阈值SRAM存在较大电路参数偏差,导致神经网络的准确度下降较大。如何解决以上近似计算技术的问题,在降低神经网络处理器功耗与成本的同时,保证较高的准确度,是本工作的主要研究目标。针对以上问题,本文开展了如下研究工作:(1)通过模拟RRAM/近阈值SRAM的电路参数偏差,对二值神经网络的权值矩阵及准确度进行了大量实验,发现经过二值量化后的神经网络具有一定的容错能力,并且不同权值矩阵对神经网络准确度的影响不同。(2)通过分析新型存储器技术(包括RRAM和近阈值SRAM)与传统SRAM存储技术的优缺点,利用二值神经网络具有一定容错能力的特性,提出一种混合权值存储机制,将非关键权值矩阵映射到RRAM/近阈值SRAM,关键权值矩阵映射到传统SRAM,大幅降低了硬件功耗与成本,同时保证了足够的准确度。(3)针对如何搜索二值神经网络中的非关键权值矩阵,提出了两种搜索算法,一种是基于独立分析的权值搜索算法,对神经网络中的所有权值矩阵进行逐一搜索,从而找到非关键权值矩阵,并实现混合权值存储机制。但这种方法未考虑权值矩阵之间的相关性,可能导致得到一个较差的结果。针对该问题,提出了第二种搜索算法,即基于耦合分析的权值搜索算法,结合二进制粒子群优化算法对非关键权值矩阵进行组合搜索,并在此基础上改进算法的初始化方法,加快搜索速度,该方法可以提高搜索准确度,进一步降低硬件功耗与成本。以上工作已通过三个典型应用的神经网络进行了实验验证,通过基于耦合分析的权值搜索算法,在神经网络准确度损失值为1%、错误概率为5%的条件下,从三个神经网络中分别提取出超过47%、86%左右和超过95%的非关键权值参数,在混合权值存储机制下实现了超过35%、69%和77%的功耗节省,以及超过40%、78%和87%的硬件成本节省。