CN105894086A - 一种大规模大脑模拟中神经元链接的表示方法 - Google Patents
一种大规模大脑模拟中神经元链接的表示方法 Download PDFInfo
- Publication number
- CN105894086A CN105894086A CN201410803566.8A CN201410803566A CN105894086A CN 105894086 A CN105894086 A CN 105894086A CN 201410803566 A CN201410803566 A CN 201410803566A CN 105894086 A CN105894086 A CN 105894086A
- Authority
- CN
- China
- Prior art keywords
- link
- layer
- neuron
- entry table
- pstsynpid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Semiconductor Memories (AREA)
Abstract
本发明提供了一种大规模大脑模拟中神经元链接的表示方法,涉及大脑模拟领域,尤其针对大规模大脑模拟中神经元链接的计算。它从层的结构安排链接;构建链接双列表表示层之间的链接关系;将整个网络的神经元链接用链接双列表矩阵表示。它所要解决的技术问题是神经元之间的低效连接表示严重限制大脑模拟大规模化的问题,大大提高了大脑模拟的速度,节约存储空间。
Description
所属技术领域
本发明涉及大脑模拟领域,尤其针对大规模大脑模拟中神经元链接的计算。
背景技术
大脑由数以亿万计的神经元组成,这些神经元并非一个个孤立的个体,藉由种种电信号的互联交通,它们才能成为大脑的有机组成部分,因此成功模拟神经元之间的信号传递是大脑模拟的重要部分。借助树突和轴突,每个神经元会与其周围很多神经元发生信息来往,一旦要模拟这种状况,将会涉及到大量的运算,神经元之间的低效链接对运算速度的制约和存储空间的要求限制了大脑模拟规模的扩大。
发明内容
本发明所要解决的技术问题是神经元之间的低效链接表示严重限制大脑模拟大规模化的问题。
为了解决这一问题,本发明采用的技术方案分为以下三个方面:
a)从层的结构安排链接;
b)构建链接双列表表示层之间的链接关系。
c)得到表示整个网络所有层之间链接的神经元链接矩阵
根据本发明的第一个方面,采用如下方法:
在构建网络时,本发明采取层结构,将神经元按照类型分为不同的层。
根据本发明的第二个方面,采用如下方法:
对于分层后的神经元,每两层之间用链接双列表Cij表示,用它表示i层到j层的链接。
其中,i层到j层的链接双列表Cij构建步骤如下:
将i层细胞体编号,得到i层SomaID;
将i层链接到j层的所有输出编号,得到PreSynpID;
将j层与i层链接的所有输入编号,得到PstSynpID;
将j层细胞体编号,得到j层SomaID;
定义输出链接位置列表PreSynpPosList,用于表示i层链接到j层的每个输出分别是i层哪一个细胞体而来;
定义输入链接位置列表PstSynpPosList,用于表示j层与i层相链接的每个输入分别是输入到j层哪一个细胞体去;
建立PreSynpID与PstSynpID的对应关系Pst2PreIDMap,根据实际神经网络的功能结构,找到每个PstSynpID[m]对应的PreSynpID[km],定义Pst2PreIDMap[PstSynpID[m]]=PreSynpID[km],其中PstSynpID[m]值按{1,2,3……}排列。Pst2PreIDMap即i层到j层的链接双列表Cij。
根据本发明的第三个方面,采用如下方法:
利用本发明第二个方面,得到各个层之间的链接双列表,建立链接双列表矩阵,表示整个网络所有层之间的神经元链接关系。
按照本发明提出方法,根据PreSynpPosList,Pst2PreIDMap和PstSynpPosList三者可以明确i层每个细胞体与j层哪个细胞体有链接,整个网络的神经元链接只需要维数较小的矩阵表示,节约存储空间、提高运算速度;并且本发明在数组安排时考虑了GPU并行运算时大存储块输入输出有益于速度提高这一问题,运算速度可以得到进一步提升。
本发明的有益效果是大大提高了大规模大脑模拟的速度。
附图说明
图1为一种大规模大脑模拟中神经元链接的表示方法简化框图
图2为神经元分层结构示意图
图3为神经元链接架构图
图4为层之间链接关系示意图
具体实施方式
下面将结合本发明中的附图和具体实施方案对本发明的技术方案进行详细描述。
本发明中把ID分成LocalID和GlobalID,简称LID和GID。LID是指在层链接模块中的从0开始的有序编号。GID是指在整体网络中的有序编号。在已知链接信息条件下,LID和GID可以方便的转换。
图1为一种大规模大脑模拟中神经元链接的表示方法简化框图,神经元分层单元10对整个大脑模拟网络进行层构架;构建链接双列表单元20对神经网络每两层之间的链接关系进行表述;输出神经元链接矩阵单元30在得到整个神经网络神经元链接关系后,输出矩阵。
神经元分层单元10
图2为神经元分层结构示意图,按层架构整个大脑模拟网络,将神经细胞按照功能分层;一个层的所有细胞体是同一类细胞体。
构建链接双列表单元20
图3为神经元链接架构图,实现用简单数组表示层与层间神经元链接。
其中201单元将i层细胞体进行有序编号,其LID从1开始到Ni分别为{1,2,……,Ni},其
其中202单元将j层细胞体进行有序编号,其LID从1开始到Mj分别为{1,2,……,Mj},其
其中203单元将i层链接到j层的所有输出进行有序编号,其LID为 称为PreSynpID。定义输出链接位置列表PreSynpPosList,记为 为i层从1到Ni细胞为止所有细胞体的输出链接个数总和。输出链接位置列表意义为:由i层第Ni个细胞体输出,P0=0。根据PreSynpPosList可得到每一个输出链接分别是从i层中哪个细胞体中所输出。
其中204单元将j层与i层相链接的所有输入进行有序编号,其LID为 称为PstSynpID。定义输入链接位置列表PstSynpPosList,记为其中QMj代表j层从1到Mj为止所有细胞体的输入链接个数总和。输入链接位置列表意义为:由j层第Mj个细胞体输出,Q0=0。根据PstSynpPosList可得到每一个输入链接分别是输入到j层中哪个细胞体中出。
其中205单元建立PreSynpID与PstSynpID的对应关系,由于PstSynpID按当前顺序排列有利于j层细胞体输入计算时大存储块的读入,按照PstSynpID当前顺序,找到与PstSynpID[m]对应的PreSynpID[km]。定义PreSynpID与PstSynpID的对应关系为Pst2PreIDMap[PstSynpID[m]]=PreSynpID[km],其中PstSynpID[m]值按{1,2,3……}排列。Pst2PreIDMap即i层到j层的链接双列表Cij。
输出神经元链接矩阵单元30
图4为层之间链接关系示意图,将整个网络所有层之间的链接关系用矩阵表示出来;每一个链接双列表Ci,j内的突触是同一类突触。
通过上述步骤,已知PreSynpPosList,Pst2PreIDMap和PstSynpPosList,即可以确定i层的每个细胞体分别与j层的哪个细胞体有链接,每两层神经元之间的链接都可以用数组表示出来,整个网络的神经元链接只需要维数较小的矩阵表示,节省资源的同时也能够保证大规模大脑模拟时神经元之间信息处理的快速高效。
Claims (5)
1.一种大规模大脑模拟中神经元链接的表示方法,其特征在于,从层的结构安排链接(1),并构建链接双列表表示层之间的链接关系(2),用链接双列表矩阵表示整个网络的神经元链接(3)。
2.根据权利要求1所述的神经元链接的表示方法,其特征在于,所述(1)将细胞体按照类型分层,采用层的结构构建整个神经网络。
3.根据权利要求1所述的神经元链接的表示方法,其特征在于,所述(2)对于分层后的神经元,每两层之间用链接双列表Cij表示,用它表示i层到j层的链接。
4.根据权利要求1所述的神经元链接的表示方法,其特征在于,所述(3)利用各个层之间的链接双列表,建立链接双列表矩阵,表示整个网络所有层之间的神经元链接关系。
5.根据权利要求3所述的链接双列表,其特征在于,将i层链接到j层的所有输出进行编号,得到PreSynpID;将j层与i层链接的所有输入编号,得到PstSynpID;建立二者对应关系Pst2PreIDMap,将每两层神经元之间的链接用数组Pst2PreIDMap表示,定义Pst2PreIDMap[PstSynpID[m]]=PreSynpID[km];其中PstSynpID[m]值按{1,2,3……}排列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410803566.8A CN105894086A (zh) | 2014-12-23 | 2014-12-23 | 一种大规模大脑模拟中神经元链接的表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410803566.8A CN105894086A (zh) | 2014-12-23 | 2014-12-23 | 一种大规模大脑模拟中神经元链接的表示方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894086A true CN105894086A (zh) | 2016-08-24 |
Family
ID=56701351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410803566.8A Pending CN105894086A (zh) | 2014-12-23 | 2014-12-23 | 一种大规模大脑模拟中神经元链接的表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894086A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372721A (zh) * | 2016-08-29 | 2017-02-01 | 中国传媒大学 | 大规模神经网络的3d可视化方法 |
CN109325596A (zh) * | 2018-09-17 | 2019-02-12 | 中国传媒大学 | 一种基于钙浓度的神经突触可塑性计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001075938A (ja) * | 1999-08-19 | 2001-03-23 | Masa Tou | 情報処理方式及び装置 |
WO2001024110A1 (en) * | 1999-09-24 | 2001-04-05 | Slade Kevin H | Method for signal and material processing using self-organizing field effects |
CN1826594A (zh) * | 2003-06-26 | 2006-08-30 | 纽诺麦蒂克斯私人有限公司 | 具有学习和表达能力的神经网络 |
-
2014
- 2014-12-23 CN CN201410803566.8A patent/CN105894086A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001075938A (ja) * | 1999-08-19 | 2001-03-23 | Masa Tou | 情報処理方式及び装置 |
WO2001024110A1 (en) * | 1999-09-24 | 2001-04-05 | Slade Kevin H | Method for signal and material processing using self-organizing field effects |
CN1826594A (zh) * | 2003-06-26 | 2006-08-30 | 纽诺麦蒂克斯私人有限公司 | 具有学习和表达能力的神经网络 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372721A (zh) * | 2016-08-29 | 2017-02-01 | 中国传媒大学 | 大规模神经网络的3d可视化方法 |
CN106372721B (zh) * | 2016-08-29 | 2018-08-21 | 中国传媒大学 | 大规模神经网络的3d可视化方法 |
CN109325596A (zh) * | 2018-09-17 | 2019-02-12 | 中国传媒大学 | 一种基于钙浓度的神经突触可塑性计算方法 |
CN109325596B (zh) * | 2018-09-17 | 2024-03-26 | 中国传媒大学 | 一种基于钙浓度的神经突触可塑性计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178519B (zh) | 卷积神经网络加速引擎、卷积神经网络加速系统及方法 | |
CN205139973U (zh) | 基于fpga器件构建的bp神经网络 | |
JP6960700B2 (ja) | マルチキャストネットワークオンチップに基づいた畳み込みニューラルネットワークハードウェアアクセラレータおよびその動作方式 | |
CN106650922B (zh) | 硬件神经网络转换方法、计算装置、软硬件协作系统 | |
CN106951395A (zh) | 面向压缩卷积神经网络的并行卷积运算方法及装置 | |
CN107862374A (zh) | 基于流水线的神经网络处理系统和处理方法 | |
CN107341544A (zh) | 一种基于可分割阵列的可重构加速器及其实现方法 | |
CN107085562B (zh) | 一种基于高效复用数据流的神经网络处理器及设计方法 | |
CN104573277B (zh) | 一种车辆悬架系统性能分解方法 | |
CN113689556A (zh) | 一种块自适应型笛卡尔网格快速图映射方法及系统 | |
CN106959937A (zh) | 一种面向gpdsp的反卷积矩阵的向量化实现方法 | |
CN110543939A (zh) | 一种基于fpga的卷积神经网络后向训练的硬件加速实现架构 | |
CN111275161B (zh) | 一种基于dna链置换的竞争神经网络框架 | |
Zhao et al. | A balanced feature fusion SSD for object detection | |
US11704561B2 (en) | Method for realizing a neural network | |
CN105894086A (zh) | 一种大规模大脑模拟中神经元链接的表示方法 | |
CN105573855A (zh) | 一种用于故障树决策图分析的模块化事件排序方法 | |
CN113361279A (zh) | 一种基于双邻域图神经网络的医疗实体对齐方法及系统 | |
CN104268338B (zh) | 一种复杂产品故障影响传递关系模型的分析与评价方法 | |
CN107391950A (zh) | 一种湍流壁面距离快速计算方法 | |
CN114519425A (zh) | 一种规模可扩展的卷积神经网络加速系统 | |
CN107357858A (zh) | 一种基于地理位置的网络重构方法 | |
CN103559538A (zh) | Bp神经网络结构优化方法 | |
CN114443862A (zh) | 基于加权图卷积网络的知识图谱补全方法及系统 | |
CN107273970B (zh) | 支持在线学习的卷积神经网络的可重构平台及其构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
DD01 | Delivery of document by public notice |
Addressee: Communication University of China Document name: Notification of Passing Preliminary Examination of the Application for Invention |
|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |
|
RJ01 | Rejection of invention patent application after publication |