密码核的安全验证方法、装置、电子设备及存储介质

    公开(公告)号:CN116702224A

    公开(公告)日:2023-09-05

    申请号:CN202310491843.5

    申请日:2023-05-04

    IPC分类号: G06F21/64 G06F21/60

    摘要: 本说明书涉及一种密码核的安全验证方法、装置、电子设备及存储介质。其中,安全验证方法包括:以密码核的执行逻辑为参考,基于信息流模型库中的目标基础模型生成密码核对应的目标信息流模型;其中,密码核对应有逻辑函数,逻辑函数包括运算单元,目标基础模型用于描述在执行运算单元时对电路信号的运算过程;目标信息流模型用于描述在执行密码核时对电路信号的运算过程;针对密码核需要验证的安全属性构建对应的安全属性断言;其中,安全属性断言用于加入目标信息流模型中;通过执行加入安全属性断言后的目标信息流模型,对密码核进行安全验证。本说明书实施例能够基于信息流分析的方式,处理RTL级代码,具有更高的验证效率和验证精度。

    电力设备处理加速方法、装置、设备、芯片及介质

    公开(公告)号:CN115470899B

    公开(公告)日:2023-02-21

    申请号:CN202211420171.0

    申请日:2022-11-15

    IPC分类号: G06N3/063 G06N3/0464

    摘要: 本公开涉及计算机处理技术领域,具体涉及一种电力设备处理加速方法、装置、设备、芯片及介质,所述电力设备处理加速方法包括:根据所述智能芯片中神经网络的硬件结构、神经网络中神经元的关键性和所述神经网络处理的数据的数据类型特性,确定所述神经网络中各层的脆弱因子;根据所述神经网络中各层的权重,确定所述神经网络中各层的第一调节因子;根据所述神经网络中各层的脆弱因子和第一调节因子,确定所述神经网络中各层的量化位数;根据确定的所述量化位数对所述神经网络进行量化,以使包括具有所述神经网络的智能芯片的电力设备在实现处理加速的同时提高可靠性。

    电力设备处理加速方法、装置、设备、芯片及介质

    公开(公告)号:CN115470899A

    公开(公告)日:2022-12-13

    申请号:CN202211420171.0

    申请日:2022-11-15

    IPC分类号: G06N3/063 G06N3/04

    摘要: 本公开涉及计算机处理技术领域,具体涉及一种电力设备处理加速方法、装置、设备、芯片及介质,所述电力设备处理加速方法包括:根据所述智能芯片中神经网络的硬件结构、神经网络中神经元的关键性和所述神经网络处理的数据的数据类型特性,确定所述神经网络中各层的脆弱因子;根据所述神经网络中各层的权重,确定所述神经网络中各层的第一调节因子;根据所述神经网络中各层的脆弱因子和第一调节因子,确定所述神经网络中各层的量化位数;根据确定的所述量化位数对所述神经网络进行量化,以使包括具有所述神经网络的智能芯片的电力设备在实现处理加速的同时提高可靠性。

    神经网络模型裁剪方法、装置、设备及介质

    公开(公告)号:CN115374936A

    公开(公告)日:2022-11-22

    申请号:CN202211250546.3

    申请日:2022-10-13

    IPC分类号: G06N3/08 G06V10/774 G06V10/82

    摘要: 本公开涉及神经网络压缩技术领域,具体涉及一种神经网络模型裁剪方法、装置、设备及介质,所述神经网络模型裁剪方法,包括:通过强化学习,获取待裁剪神经网络模型的环境状态信息;根据所述环境状态信息,获取所述待裁剪神经网络模型中每一层的目标剪裁率;根据所述目标裁剪率和回报函数,得到目标奖励值;响应于所述目标奖励值大于或等于预设阈值,根据所述目标裁剪率裁剪所述待裁剪神经网络模型;根据所述目标神经网络模型对目标图像进行图像处理。该方法不仅减少了神经网络模型的计算量,而且降低了裁剪后的神经网络模型运行时可能出现的错误对整个系统的影响,从而确保了裁剪后的神经网络模型的可靠性和能耗满足需求。

    神经网络的计算方法、装置、存储介质及芯片

    公开(公告)号:CN115034359A

    公开(公告)日:2022-09-09

    申请号:CN202210539888.0

    申请日:2022-05-17

    IPC分类号: G06N3/04 G06N3/063 G06F9/38

    摘要: 本发明涉及人工智能技术领域,且公开了一种神经网络的计算方法、装置、存储介质及芯片,其中方法包括:读取VLIW指令,VLIW指令包括SIMD扩展指令子集,SIMD扩展指令子集包括数据传输指令、数据转移指令和智能计算指令中的至少一种;响应于SIMD扩展指令子集中的所有指令,通过智能处理器并行执行相应的数据操作,以进行神经网络的智能计算。该方法可通过对SIMD扩展指令子集中的指令进行扩展,实现不同神经网络的适应性结构映射和数据流维护,同时采用VLIW和SIMD指令形式,能够提高指令级并行和数据级并行性能,从而既能获得执行效率,保障计算灵活性,又能降低计算能耗,提高计算能耗比。