CN115004196A - 参数的设定方法和储备池元件的控制方法 - Google Patents

参数的设定方法和储备池元件的控制方法 Download PDF

Info

Publication number
CN115004196A
CN115004196A CN202080095002.7A CN202080095002A CN115004196A CN 115004196 A CN115004196 A CN 115004196A CN 202080095002 A CN202080095002 A CN 202080095002A CN 115004196 A CN115004196 A CN 115004196A
Authority
CN
China
Prior art keywords
distribution
parameter
output
spin torque
learning
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
Application number
CN202080095002.7A
Other languages
English (en)
Inventor
中田一纪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TDK Corp
Original Assignee
TDK Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TDK Corp filed Critical TDK Corp
Publication of CN115004196A publication Critical patent/CN115004196A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R19/00—Electrostatic transducers
    • H04R19/04—Microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
    • H04R1/04—Structural association of microphone with electric circuitry therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R19/00—Electrostatic transducers
    • H04R19/005—Electrostatic transducers using semiconductor materials
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2201/00—Details of transducers, loudspeakers or microphones covered by H04R1/00 but not provided for in any of its subgroups
    • H04R2201/003—Mems transducers or their use

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Neurology (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • Micromachines (AREA)

Abstract

在本发明的实施方式的参数分布的设定方法中，预先进行基于梯度学习法的学习，以使得储备池元件的输出的概率分布与输出的理想的概率分布的互信息量变大，在储备池元件的器件模型中设定对构成储备池元件的多个元件的元件差异进行规定的参数的参数分布。

Description

参数的设定方法和储备池元件的控制方法
技术领域
本发明涉及参数的设定方法和储备池元件的控制方法。
背景技术
神经形态学设备是通过神经网络模仿人类的脑的元件。神经形态学设备人工地模仿人类脑中的神经元与突触的关系。
神经形态学设备例如具有配置成分层状的芯片(脑中的神经元)和将它们之间连接的传递单元(脑中的突触)。神经形态学设备通过传递单元(突触)进行学习，从而提高问题的回答正确率。学习是从信息中找到将来能够使用的知识，在神经形态学设备中对所输入的数据进行加权。
作为神经网络之一，已知循环神经网络。循环神经网络能够处理非线性的时间序列的数据。非线性的时间序列的数据是随着时间的经过而值发生变化的数据，股价等是其一例。循环神经网络通过将后级的层的神经元中的处理结果返回到前级的层的神经元，能够处理时间序列的数据。
储备池计算是实现循环神经网络的一个手段。储备池计算通过使信号相互作用，进行递归的处理。储备池计算例如模仿小脑的动作，进行递归的数据的处理、数据的转换(例如坐标的转换)等。
进行了将储备池计算的概念物理性地安装于实际的元件的尝试。以下，将使储备池计算的概念落入到实际的元件中的元件称为储备池元件。例如，在非专利文献1中记载了将自旋转矩振荡(STO)元件用作芯片(神经元)的神经形态元件。
现有技术文献
非专利文献
非专利文献1：Jacob Torrejon et al.,Nature,Vol.547,pp.428-432(2017).
非专利文献2：J.Coulombe,M.York,and J.Sylvestre,PLoS One,Vol.12(6),e0178663(2017).doi:10.1371/journal.pone.0178663.
非专利文献3：A.Slavin&V.S.Tiberkevich,IEEE Transactions on Magnetics,Vol.45(4),pp.1875-1918(2009).
非专利文献4：P.Koprinkova-Hristova et al,International Conference onArtificial Neural Networks.Springer,Berlin,Heidelberg(2011).
非专利文献5：杉山将、入江清、友纳正裕、日本机器人学会志、Vol.33,No.2,pp.86-91,2015.
发明内容
发明要解决的课题
储备池元件的输出相对于训练数据的匹配精度根据储备池元件的参数设定而变动。储备池元件的参数的系统性设计方法尚未确立。
本发明是鉴于上述情况而完成的，提供一种对构成储备池元件的多个元件的元件差异进行规定的参数的系统性设计方法。
用于解决课题的技术方案
(1)在第1方式的参数的设定方法中，进行事先学习，以使得从基于构成储备池元件的多个元件的特性的器件模型导出的所述储备池元件的输出的理想的概率分布与所述储备池元件的输出的概率分布的互信息量变大，在所述器件模型中设定对所述多个元件各自的差异进行规定的参数的参数分布。
(2)在上述方式的参数的设定方法中，所述器件模型例如可以是非专利文献2所示的基于弹簧振动的模型。
(3)在上述方式的参数的设定方法中，所述器件模型例如可以是基于非专利文献3所示的泛化后的非线性振子模型的模型。
(4)第2方式的储备池元件的控制方法按照上述方式的参数的设定方法来设定所述参数分布，将所述参数分布转换为所述储备池元件的特性分布，基于所述特性分布来设定所述多个元件各自的特性。
(5)在上述方式的储备池元件的控制方法中，也可以是，储备池元件包括具有多个MEMS麦克风的MEMS麦克风阵列，按照上述方式的参数的设定方法来设定所述参数分布，将所述参数分布转换为所述MEMS麦克风阵列的灵敏度特性的分布，基于所述灵敏度特性的分布来设定各个MEMS麦克风的灵敏度特性。
(6)在上述方式的自旋转矩振荡元件的控制方法中，也可以是，所述储备池元件包括具有多个自旋转矩振荡元件的自旋转矩振荡元件阵列，按照上述方式的参数的设定方法来设定所述参数分布，将所述参数分布转换为所述自旋转矩振荡元件阵列的共振特性的分布，基于所述共振特性的分布来设定各个自旋转矩振荡元件的频率特性。
发明效果
上述方式的参数的设定方法提供对构成储备池元件的多个元件的元件差异进行规定的参数的系统性设计方法。
附图说明
图1是第1实施方式的储备池元件所模拟的神经网络的概念图。
图2是MEMS麦克风的一个例子的截面图。
图3是储备池元件为MEMS麦克风阵列的情况下的器件模型的概念图。
图4是进行事先学习的储备池计算的概念图。
图5A是在将理想的正态分布的标准差σ设为0.1、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。
图5B是在将理想的正态分布的标准差σ设为0.1、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。
图5C表示应用了图5A和图5B的参数分布时的储备池元件的输出和训练数据。
图6A是在将理想的正态分布的标准差σ设为0.2、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。
图6B是在将理想的正态分布的标准差σ设为0.2、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。
图6C表示应用了图6A和图6B的参数分布时的储备池元件的输出和训练数据。
图7A是在将理想的正态分布的标准差σ设为0.3、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。
图7B是在将理想的正态分布的标准差σ设为0.3、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。
图7C表示应用了图7A和图7B的参数分布时的储备池元件的输出和训练数据。
图8是自旋转矩振荡元件的一例的电路图。
具体实施方式
以下，适当参照附图对本实施方式进行详细说明。在以下的说明中使用的附图中，为了容易理解本发明的特征，有时为了方便而将成为特征的部分放大表示，各构成要素的尺寸比率等有时与实际不同。在以下的说明中例示的材料、尺寸等是一个例子，本发明并不限定于此，能够在起到本发明的效果的范围内适当变更而实施。
本实施方式的储备池元件是将储备池计算中的处理器件化的元件。储备池计算是循环神经网络的一个例子。
[第1实施方式]
(储备池计算)
图1是第1实施方式的储备池元件所模拟的神经网络的概念图。图1所示的神经网络NN是储备池计算的概念示意图。图1所示的神经网络NN具有输入层Lin、储备池R和输出层Lout。输入层Lin和输出层Lout与储备池R连接。
输入层Lin将从外部输入的信号传递到储备池R。输入层Lin例如包含多个神经元n1。从外部输入到输入层Lin的各个神经元n1的输入信号被传递到储备池R。
储备池R存储从输入层Lin输入的输入信号，并且将输入信号转换为另一信号。在储备池R内，信号仅相互作用，不进行学习。当输入信号彼此相互作用时，输入信号非线性地变化。即，输入信号在保有原来的信息的同时置换为其他信号。输入信号在储备池R内彼此相互作用，从而随着时间的经过而变化。储备池R与多个神经元n2随机地连接。例如，有时从某时刻t的神经元n2输出的信号在某时刻t+1返回到原来的神经元n2。在神经元n2中，能够进行基于时刻t和时刻t+1的信号的处理，能够递归地处理信息。
输出层Lout输出来自储备池R的信号。从输出层Lout输出的输出信号具有输入信号的信息，并且置换为其他信号。作为该转换的一例，可举出从正交坐标系(x,y,z)向球面坐标系(r,θ,φ)的置换。输出层Lout例如包含多个神经元n3。在从储备池R到达输出层Lout时进行学习。学习通过将储备池R的各个神经元n2与输出层Lout的神经元n3连接的传递路径(脑中的突触)来进行。输出层Lout将学习的结果输出到外部。
(参数的设定方法)
本实施方式的参数的设定方法系统性地设定与上述的储备池R相应的部分的参数。要设定的参数是规定构成储备池R的多个神经元n1的差异的参数。本实施方式的参数的设定方法包括器件模型的决定步骤、理想的概率分布的设定步骤和学习步骤。以下，列举具体的例子来对各个步骤进行说明。
<应用于MEMS麦克风阵列的例子>
以利用物理元件实现了储备池计算中的储备池R的储备池元件为MEMS麦克风阵列的情况为例进行说明。MEMS麦克风阵列是MEMS麦克风排列，并相互电连接。MEMS是MicroElectronics Mechanical System(微电子机械系统)的缩写。
图2是MEMS麦克风的一个例子的截面图。MEMS麦克风10例如具有振动膜1、MEMS芯片2、集成电路3、具有开口4A的基板4、以及保护板5。振动膜1、MEMS芯片2和集成电路3形成在基板4上，彼此电连接。振动膜1、MEMS芯片2和集成电路3由保护板5保护。MEMS麦克风10例如将声波转换为电信号。经由开口4A输入的声波使振动膜1振动。振动膜1的振动例如使MEMS芯片2内的电容器的静电电容变化而转换为电信号。集成电路3例如包括模拟-数字转换器，以模拟的方式输出电信号。
[器件模型的决定步骤]
在本实施方式的参数的设定方法中，首先决定器件模型。器件模型基于构成储备池元件的多个元件的特性来决定。在储备池元件是MEMS麦克风阵列的情况下，构成储备池元件的元件是MEMS麦克风10。如上所述，MEMS麦克风10将振动膜1的振动转换为电信号。当将各个振动膜1的振动视为弹簧振动时，MEMS麦克风阵列能够以基于多个弹簧连结而成的弹簧振动的模型来表示。
图3是储备池元件为MEMS麦克风阵列的情况下的器件模型的概念图。在图3所示的器件模型中，多个振动点vp通过弹簧相互连接。各个振动点vp与储备池元件中的各个MEMS麦克风10对应。储备池元件为MEMS麦克风阵列的情况下的器件模型由以下的式(1)表示。
[式1]
Figure BDA0003770342510000061
xi是各个振动点vp的位移。ω0是与各个振动点vp各自连接的弹簧的固有的振动频率，与各个MEMS麦克风10的振动膜1的振动对应。Q是品质因素(Q值)。右边的第1项即-ω0/Q·dxi/dt表示没有阻力的情况下的振动点vp处的基本振动。右边的第2项即-ω0 2xi表示各个振动点vp的衰减，例如表示振动膜1的振动的空气阻力引起的衰减。
βi是按照各个振动点vp而不同的值，与各个MEMS麦克风10的元件特性的差异对应。右边的第3项即-βixi 3表示各个振动点vp的非线性的弹簧特性，是按每个MEMS麦克风10而不同的振动。例如，多个MEMS麦克风10的性能存在差异，每个元件因差异产生-βixi 3。右边的第3项是在储备池元件中对输入信号所包含的非线性成分进行放大的部分。
右边的第4项即A[1+Δiwinu]cos(Ωt)是由从外部施加的力产生的振动，与由施加于MEMS麦克风10的声波产生的振动对应。
ω1是连接相邻的振动点vp的弹簧的振动频率。右边的第5项即ω1 2[xi-1-2xi+xi+1]是由于相邻的振动点vp互相影响而产生的振动，与基于不同的MEMS麦克风10间的电连接而产生的振动的振动频率对应。
[理想的概率分布的设定步骤]
接着，设定储备池元件的输出的理想的概率分布。输出的理想的概率分布根据想要在储备池计算中求解的任务而任意地设定。另外，输出的理想的概率分布例如从器件模型导出。根据器件模型的特性决定输出的理想概率分布。输出的理想概率分布例如是正态分布。例如，作为任务，考虑通过储备池计算对任意的傅立叶合成波进行近似的回归问题。此时，优选的是，储备池元件的输出的频率分布成为与成为训练信号的傅立叶合成波所包含的频率分布(相当于功率谱)相同的形状。如果在成为训练信号的傅立叶合成波所包含的频率分布为单峰性的情况下，优选储备池元件的输出的理想的概率分布也为单峰性。另外，在成为训练信号的傅立叶合成波所包含的频率分布为双峰性的频率分布的情况下，为了对双峰性的概率分布进行近似，将储备池元件的输出的理想的概率分布设为混合正态分布。
[学习步骤]
当将器件模型的右边的第3项-βixi 3转换成通过使用tanh(x)的泰勒展开容易分析的表达式时，获得3βi(x-tanh(x))。右边的第3项如上述那样与各个MEMS麦克风10的元件差异对应。如果将规定差异的参数设为a、b，则y＝fgen(x)＝tanh(ax+b)成为在各个元件中包含与差异相应的参数的式子。以下，有时将y＝fgen(x)＝tanh(ax+b)称为第1函数。
使用第1函数进行事先学习(例如参考非专利文献4)。图4是进行事先学习的储备池计算的概念图。事先学习例如通过模拟来进行。第1函数y＝fgen(x)＝tanh(ax+b)是提取了产生储备池元件的非线性的作用的函数，如果使用第1函数进行事先学习，则能够提高储备池元件的输出的精度。
事先学习以输出的理想的概率分布与储备池元件(具有第1函数的储备池元件)的输出的概率分布的互信息量变大的方式进行。事先学习的初始值能够任意地设定，例如设定为[0:1]的均匀随机数。无论事先学习的初始值是什么，参数a和b的分布都通过事先学习而逐渐接近规定的分布。互信息量是表示2个随机变量的相互依存的尺度的量。如果输出的理想的概率分布与储备池元件的输出的概率分布的互信息量变大，则储备池元件的输出的概率分布接近输出的理想的概率分布。
互信息量可以使用各种各样的信息(例如参考非专利文献5)。例如，能够使用Kullback-Leibler信息量。Kullback-Leibler信息量如以下那样定义。
[式2]
Figure BDA0003770342510000071
在此，p～(y)是储备池元件的输出的概率分布，p(y)是输出的理想的概率分布。p(y)例如为正态分布，由下式表示。正态分布由标准差σ和期望值μ的函数表示。
[式3]
Figure BDA0003770342510000081
如果利用参数a和b对上述的Kullback-Leibler信息量进行微分，则得到以下的式子。
[式4]
Figure BDA0003770342510000082
[式5]
Figure BDA0003770342510000083
增大互信息量的学习例如使用梯度学习法来进行。梯度学习法是在机器学习中求出最佳值的单元之一。上述的微分值为零的点，与对于参数a或参数b的Kullback-Leibler信息量的斜率为零的部分对应。在上述的斜率为零的部分，熵最小化，互信息量最大化。因此，当以上述微分值成为零的方式进行式变形时，得到以下的关系式。
[式6]
Figure BDA0003770342510000084
[式7]
Figure BDA0003770342510000085
图5A是在将理想的正态分布的标准差σ设为0.1、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。图5B是在将理想的正态分布的标准差σ设为0.1、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。图5C表示应用了图5A和图5B的参数分布时的储备池元件的输出和训练数据。训练数据用虚线表示。
图6A是在将理想的正态分布的标准差σ设为0.2、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。图6B是在将理想的正态分布的标准差σ设为0.2、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。图6C表示应用了图6A和图6B的参数分布时的储备池元件的输出和训练数据。训练数据用虚线表示。
图7A是在将理想的正态分布的标准差σ设为0.3、将期望值μ设为0.25的情况下，通过事先学习求出的参数a的参数分布。图7B是在将理想的正态分布的标准差σ设为0.3、将期望值μ设为0.25的情况下，通过事先学习求出的参数b的参数分布。图7C表示应用了图7A和图7B的参数分布时的储备池元件的输出和训练数据。训练数据用虚线表示。
参数a的参数分布和参数b的参数分布在任一情况下均为对数正态分布。参数a的参数分布即使改变正态分布的标准差σ也没有大的变化。与此相对，参数b的参数分布在改变正态分布的标准差σ时发生变化。在正态分布的标准差σ为0.1的情况下，参数b的分布为0.10时最大的对数正态分布。在正态分布的标准差σ为0.2的情况下，参数b的分布是在0.20时最大的对数正态分布。在正态分布的标准差σ为0.3的情况下，参数b的分布为0.30时最大的对数正态分布。可知如果使用参数分布，则储备池元件的输出接近训练数据，得到了目标的输出。
<应用于自旋转矩振荡元件的例子>
接着，以利用物理元件实现了储备池计算中的储备池R的储备池元件为自旋转矩振荡元件阵列的情况为例进行说明。在构成储备池元件的各个元件为自旋转矩振荡元件的情况下，也通过变更器件模型，按照与应用于上述MEMS麦克风阵列的情况相同的流程来设定参数。
图8是自旋转矩振荡元件的一例的结构图。自旋转矩振荡元件20例如包括磁阻效应元件MTJ、交流电源VAC、直流电源VDC、电感器L、导体C和输出端子T。磁阻效应元件MTJ由夹着非磁性层的2个铁磁性层构成。一个铁磁性层的磁化受到在交流电源VAC与地之间产生的高频电流所产生的高频磁场而进行进动。磁阻效应元件MTJ的电阻根据磁化的进动而周期性地变化。直流电源VDC对磁阻效应元件MTJ施加直流电流。从输出端子T输出作为磁阻效应元件MTJ的电阻值与施加于磁阻效应元件MTJ的电流之积的信号。磁阻效应元件MTJ的电阻周期性地变化，所以从输出端子T输出的信号周期性地变化。
[器件模型的决定步骤]
自旋转矩振荡元件的器件模型由泛化的非线性振荡器模型(非专利文献3)表示。即，通过以下的式(2)来表示储备池元件为自旋转矩振荡元件的情况下的器件模型。
[式8]
Figure BDA0003770342510000101
在式(2)中，c为复振幅，当将自旋转矩振荡元件的功率设为p时，p＝|c|2。左边第2项是相当于振动频率的项，表示频率根据振幅而被调制。另外，左边第3项是耗散项，与自旋转矩振荡元件的阻尼转矩对应。并且，左边第4项是如负电阻那样起作用的项，与自旋转矩振荡元件的自旋转移转矩对应。右边第1项与外部输入对应，例如与自旋转矩振荡元件的交流外部磁场对应。
[理想的概率分布的设定步骤]
理想的概率分布的设定步骤与MEMS麦克风阵列的情况相同。例如，将输出的理想的概率分布设定为正态分布。这相当于将自旋转矩振荡元件的共振分布假定为正态分布。
[学习步骤]
学习步骤也与上述的MEMS麦克风阵列的情况相同。根据式(2)，与元件差异相对应的自旋转矩振荡元件的振荡频率如在非专利文献3中所导出的那样，由ω(p)＝γ(H0-4πM0+8πM0p)来表示。在此，H0是与有效磁场的强度对应的参数，M0＝|M|是与磁化的长度对应的参数。以下，有时将上式称为第2函数。此外，第2函数的变量p与第1函数的变量x对应，参数H0和M0分别与第1函数的参数a和b对应。通过使用该函数，从而能够对参数的分布和自旋转矩振荡元件阵列的共振特性的分布进行相互转换。
使用第2函数进行事先学习。事先学习以输出的理想的概率分布与成为储备池元件的自旋转矩振荡元件的输出的概率分布的互信息量变大的方式进行。事先学习的初始值能够任意地设定，例如设定为[0:1]的均匀随机数。无论事先学习的初始值是什么，参数H0和M0的分布都通过事先学习而逐渐接近规定的分布。如果输出的理想的概率分布与储备池元件的输出的概率分布的互信息量变大，则储备池元件的输出的概率分布接近输出的理想的概率分布。
(储备池元件的控制方法)
本实施方式的储备池元件的控制方法包括：设定上述参数分布的步骤；将参数分布转换为元件的特性分布的转换步骤；和基于特性分布来设定各个元件的特性的步骤。
[转换步骤]
首先，将通过上述步骤求出的参数分布转换为元件的特性分布。在储备池元件为MEMS麦克风阵列的情况下，将参数分布转换为各个MEMS麦克风的灵敏度特性的分布。在储备池元件为自旋转矩振荡元件阵列的情况下，将参数分布转换为各个自旋转矩振荡元件的共振特性的分布。
如果将参数a和参数b应用于上述的器件模型的式(1)，则能够得到MEMS麦克风的灵敏度特性。当决定了参数a和参数b时，就决定了MEMS麦克风的灵敏度特性。因此，根据参数分布得到MEMS麦克风阵列的灵敏度特性的分布。
当将参数H0和参数M0应用于上述的器件模型的式(2)时，能够获得自旋转矩振荡元件的共振特性。当决定了参数H0和参数M0时，就决定了自旋转矩振荡元件的共振特性。因此，根据参数分布而获得自旋转矩振荡元件阵列的共振特性的分布。
[元件特性的设定步骤]
接着，基于所得到的储备池元件的特性分布，设定各个元件的特性。例如，如果所得到的特性是MEMS麦克风阵列的灵敏度分布，则设定各个MEMS麦克风的灵敏度特性。例如，如果所获得的特性为自旋转矩振荡元件阵列的共振特性，则对各个自旋转矩振荡元件的共振特性进行设定。
各个MEMS麦克风的灵敏度特性能够通过改变MEMS芯片2的电位来设定。当各个MEMS麦克风的MEMS芯片2的电位不同时，通过振动膜1的振动而输出的电信号在各个MEMS麦克风中不同。即，所输入的信号(声波)在每个元件(MEMS麦克风)中被转换为不同的信号，整体上被转换为非线性的输出。
各个自旋转矩振荡元件的共振特性与各个磁阻效应元件MTJ的铁磁共振频率对应。各个磁阻效应元件MTJ的铁磁共振频率能够通过施加于磁阻效应元件MTJ的外部磁场等来设定。当各个磁阻效应元件MTJ的铁磁共振频率不同时，从各个自旋转矩振荡元件输出的信号(高频)不同。即，所输入的信号(高频)在每个元件(自旋转矩振荡元件)中被转换为不同的信号，整体上被转换为非线性的输出。
当将参数分布设定为均匀分布时，要求将各个元件的物理参数设为均匀分布。然而，难以将物理参数设定为均匀分布。与此相对，在本实施方式中求出的参数分布不一样(例如对数正态分布)。因此，即使在各个元件存在制造差异的情况下，对规定的参数分布的设定也变得容易。
根据本实施方式的储备池元件的控制方法，能够系统性地设定各个元件的参数。通过基于事先学习系统性地设定参数，从而储备池元件的输出成为非线性，与训练数据一致的精度提高。
附图标记说明
1 振动膜
2 MEMS芯片
3 集成电路
4 基板
4A 开口
5 保护板
10 MEMS麦克风
20 自旋转矩振荡元件
C 导体
L 电感器
Lin 输入层
Lout 输出层
MTJ 磁阻效应元件
n1、n2、n3 神经元
NN 神经网络
T 输出端子
VAC 交流电源
VDC 直流电源。

Claims (6)

1.一种参数的设定方法，其特征在于：
进行事先学习，以使得从基于构成储备池元件的多个元件的特性的器件模型导出的所述储备池元件的输出的理想的概率分布与所述储备池元件的输出的概率分布的互信息量变大，
在所述器件模型中设定对所述多个元件各自的差异进行规定的参数的参数分布。
2.如权利要求1所述的参数的设定方法，其特征在于：
所述器件模型是基于弹簧振动的模型，由(式1)
Figure FDA0003770342500000011
表示。
3.如权利要求1所述的参数的设定方法，其特征在于：
所述器件模型是基于泛化后的非线性振子模型的模型，由(式2)
Figure FDA0003770342500000012
表示。
4.一种储备池元件的控制方法，其特征在于：
按照权利要求1～3中任一项所述的参数的设定方法来设定所述参数分布，
将所述参数分布转换为所述储备池元件的特性分布，
基于所述特性分布来设定所述多个元件各自的特性。
5.一种储备池元件的控制方法，其特征在于：
储备池元件包括具有多个MEMS麦克风的MEMS麦克风阵列，
按照权利要求2所述的参数的设定方法来设定所述参数分布，
将所述参数分布转换为所述MEMS麦克风阵列的灵敏度特性的分布，
基于所述灵敏度特性的分布来设定各个MEMS麦克风的灵敏度特性。
6.一种储备池元件的控制方法，其特征在于：
所述储备池元件包括具有多个自旋转矩振荡元件的自旋转矩振荡元件阵列，
按照权利要求3所述的参数的设定方法来设定所述参数分布，
将所述参数分布转换为所述自旋转矩振荡元件阵列的共振特性的分布，
基于所述共振特性的分布来设定各个自旋转矩振荡元件的频率特性。
CN202080095002.7A 2020-03-26 2020-03-26 参数的设定方法和储备池元件的控制方法 Pending CN115004196A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/013697 WO2021192147A1 (ja) 2020-03-26 2020-03-26 パラメータの設定方法およびリザボア素子の制御方法

Publications (1)

Publication Number Publication Date
CN115004196A true CN115004196A (zh) 2022-09-02

Family

ID=76919723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080095002.7A Pending CN115004196A (zh) 2020-03-26 2020-03-26 参数的设定方法和储备池元件的控制方法

Country Status (4)

Country Link
US (1) US20230140456A1 (zh)
JP (1) JP6908210B1 (zh)
CN (1) CN115004196A (zh)
WO (1) WO2021192147A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023062844A1 (ja) * 2021-10-15 2023-04-20 Tdk株式会社 情報処理装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140114442A1 (en) * 2012-10-22 2014-04-24 The Boeing Company Real time control system management
JP6620913B1 (ja) * 2018-09-12 2019-12-18 Tdk株式会社 リザボア素子及びニューロモルフィック素子

Also Published As

Publication number Publication date
JP6908210B1 (ja) 2021-07-21
US20230140456A1 (en) 2023-05-04
WO2021192147A1 (ja) 2021-09-30
JPWO2021192147A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
Rasouli et al. An extreme learning machine-based neuromorphic tactile sensing system for texture recognition
Shishesaz et al. Design and analytical modeling of magneto-electro-mechanical characteristics of a novel magneto-electro-elastic vibration-based energy harvesting system
US6763340B1 (en) Microelectromechanical system artificial neural network device
CN107812690B (zh) 用于电容式微机械超声换能器的偏压应用
Salas et al. A topology optimization formulation for transient design of multi‐entry laminated piezocomposite energy harvesting devices coupled with electrical circuit
Rizzello et al. Simultaneous self-sensing of displacement and force for soft dielectric elastomer actuators
Pasharavesh et al. Electromechanical modeling and analytical investigation of nonlinearities in energy harvesting piezoelectric beams
Mohammadzaheri et al. A comparative study on the use of black box modelling for piezoelectric actuators
CN115004196A (zh) 参数的设定方法和储备池元件的控制方法
Adly et al. Utilizing neural networks in magnetic media modeling and field computation: A review
Liu et al. Implementation of hodgkin-huxley neuron model with the novel memristive oscillator
Jiang et al. Metamaterial-Based Analog Recurrent Neural Network Toward Machine Intelligence
US20200041964A1 (en) Neuromorphic computing using electrostatic memos devices
Turchetti Stochastic models of neural networks
Krishnasamy et al. Distributed parameter modeling to prevent charge cancellation for discrete thickness piezoelectric energy harvester
CN107044893B (zh) 一种基于时域编解码的高精度动态信号传感和传输方法
Rajarathinam et al. Investigation of a hybrid piezo-electromagnetic energy harvester
Fen et al. Impulsive SICNNs with chaotic postsynaptic currents
Zheng et al. Processing IMU action recognition based on brain-inspired computing with microfabricated MEMS resonators
WO2022201425A1 (ja) 情報処理装置、隠れノードの設定方法及び情報処理装置の製造方法
Nanda et al. Uncertainty quantification of energy harvesting systems using method of quadratures and maximum entropy principle
Yadav et al. Study on piezoelectric ceramic under different pressurization conditions and circuitry
Lehmann et al. Direct signal encoding with analog resonate-and-fire neurons
US20230055056A1 (en) Reservoir element and neuromorphic device
Staňák et al. Analysis of piezoelectric semiconducting solids by meshless method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination