JP6050105B2 - スパイクニューロン基盤のワーキングメモリ装置 - Google Patents

スパイクニューロン基盤のワーキングメモリ装置 Download PDF

Info

Publication number
JP6050105B2
JP6050105B2 JP2012268875A JP2012268875A JP6050105B2 JP 6050105 B2 JP6050105 B2 JP 6050105B2 JP 2012268875 A JP2012268875 A JP 2012268875A JP 2012268875 A JP2012268875 A JP 2012268875A JP 6050105 B2 JP6050105 B2 JP 6050105B2
Authority
JP
Japan
Prior art keywords
neuron
signal
spike
input
burst
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.)
Active
Application number
JP2012268875A
Other languages
English (en)
Other versions
JP2013122760A (ja
Inventor
俊 行 李
俊 行 李
昌 雨 申
昌 雨 申
賢 錫 柳
賢 錫 柳
根 柱 朴
根 柱 朴
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of JP2013122760A publication Critical patent/JP2013122760A/ja
Application granted granted Critical
Publication of JP6050105B2 publication Critical patent/JP6050105B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G11INFORMATION STORAGE
    • G11CSTATIC STORES
    • G11C11/00Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/54Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using elements simulating biological cells, e.g. neuron
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Memory System (AREA)
  • Logic Circuits (AREA)
  • Feedback Control In General (AREA)

Description

本発明の技術分野は、スパイクニューロン(spiking neuron)から構成されたワーキングメモリ(working memory)装置に関する。
スパイクニューラルネットワーク(spiking neural network)及び神経形態学的(neuromorphic)な技術は、生体頭脳を構成する神経細胞を模倣して認知及び推論可能な知能を有する神経回路を実現しようとする技術である。この分野の核心技術は、神経細胞のニューロンの核心動作を適切に模写する技術とニューロンを連結して特定機能を行う回路を実現する技術がある。ニューロン回路技術として、従来にはニューロンを階層的に連結してパターンを分類する構造が多く提案された。しかし、時間に応じて入力パターンが常に変化する空間−時間(spatio-temporal)パターンの場合、このような構造のニューロン回路を用いて認識及び推論を行うことはできない。そのためには時間に伴って変化するパターンを臨時的に所望する時間に格納するためのニューロン回路が必要である。
本発明の目的は、スパイクニューロン基盤のワーキングメモリ装置を提供することにある。
一実施形態において、入力スパイク信号を一定形態のバースト構造のスパイク信号であるバースト信号に変換して出力する入力部と、前記入力部から出力される前記バースト信号に対応する特徴値を格納する2つ以上の格納部とを備え、前記格納部は、前記入力部から出力される前記バースト信号の順に応じて順次に1つの格納部に1つのバースト信号に対応する特徴値を格納し、格納した特徴値に対応するスパイク信号を持続的に出力することを特徴とするスパイクニューロン基盤のワーキングメモリ装置が提供される。
ここで、前記格納部は、前記バースト信号に対応する特徴値が格納されている場合、非活性化されて次の順序の格納部を活性化してもよい。
ここで、前記格納部は、前記バースト信号が格納されている場合、初期化信号によって初期化されるまで前記入力値に対応するスパイク信号を持続的に出力してもよい。
ここで、前記入力部は、入力に受信できる特徴値ごとに、入力されるスパイク信号を時間幅が一定のバースト構造に変更する活性ニューロンと、前記活性ニューロンで変更されたバースト構造のスパイク信号が一定のサイズを有するように前記活性ニューロンを抑制してバースト信号を生成する活性ニューロンとを含んでもよい。
ここで、前記入力部は、入力に受信できる特徴値ごとに、前記入力されるスパイク信号をノイズ除去ニューロンに伝達する短期的な促進特性を有するシナプスと、前記シナプスによって入力されたスパイク信号からノイズを除去して前記活性ニューロンに伝達する前記ノイズ除去ニューロンとをさらに含んでもよい。
ここで、前記格納部それぞれは、活性化されれば、前記入力部から受信する前記バースト信号を持続部に伝達するゲートニューロンと、前記バースト信号が入力された場合、前記バースト信号に対応する前記特徴値に対応する少なくとも1つのニューロンを活性化させて、初期化信号が入力されるまで持続的に前記特徴値に対応するスパイク信号を出力する前記持続部と、前記ゲートニューロンを活性化したり抑制する前記制御ニューロンとを含んでもよい。
ここで、前記制御ニューロンは、以前順序の格納部からアイドル(Idle)信号を受信したり、または、前記持続部から前記特徴値に対応するスパイク信号を受信すれば前記ゲートニューロンを抑制し、入力される信号がなければ、前記ゲートニューロンを活性化してもよい。
ここで、前記ゲートニューロンは、前記入力部で受信する入力に対応する特徴値の種類だけ存在してもよい。
ここで、前記持続部は、前記バースト信号を受信した場合、前記特徴値に該当するスパイク信号を持続的に出力するそれぞれの特徴値ごとの持続ニューロンと、初期化信号によりアイドリング状態であることを示すアイドル信号を出力する少なくとも1つの遊休ニューロンと、前記持続ニューロンと前記遊休ニューロンを抑制し、一回に一種類のスパイク信号だけが出力されるようにする少なくとも1つの抑制ニューロンとを含んでもよい。
一実施形態によると、入力スパイク信号を一定形態のバースト構造のスパイク信号であるバースト信号に変換して出力する入力部と、前記バースト信号を予め設定した値を有する多重化されたバースト信号に変えて出力するマルチプレクサと、前記マルチプレクサから出力される多重化されたバースト信号が入力された場合、次の順序の格納部を選択する活性化信号を出力する順次選択部と、前記順次選択部で出力する前記活性化信号を受信した場合、前記入力部から出力される前記バースト信号に対応する特徴値を格納し、前記特徴値に対応するスパイク信号を持続的に出力する格納部を2つ以上備えることを特徴とするスパイクニューロン基盤のワーキングメモリ装置が提供される。
ここで、前記順次選択部は、外部から前記格納部のいずれか1つを選択する外部選択信号を受信した場合、前記活性化信号を選択された格納部に出力してもよい。
ここで、前記格納部は、前記バースト信号が格納されている場合、初期化信号によって初期化されるまで前記特徴値に対応するスパイク信号を持続的に出力してもよい。
ここで、前記入力部は、入力に受信できる特徴値ごとに、入力されるスパイク信号を時間幅が一定のバースト構造に変更する活性ニューロンと、前記活性ニューロンで変更されたバースト構造のスパイク信号が一定のサイズを有するように前記活性ニューロンを抑制してバースト信号を生成する抑制ニューロンとを含んでもよい。
ここで、前記入力部は、入力に受信できる特徴値ごとに、前記入力されるスパイク信号をノイズ除去ニューロンに伝達する短期的な促進特性を有するシナプスと、前記シナプスによって入力されたスパイク信号からノイズを除去して前記活性ニューロンに伝達する前記ノイズ除去ニューロンとをさらに含んでもよい。
ここで、前記格納部それぞれは、前記順次選択部によって活性化された場合、前記入力部から受信する前記バースト信号を持続部に伝達するゲートニューロンと、前記バースト信号が入力された場合、前記特徴値に対応する少なくとも1つのニューロンを活性化させて、初期化信号が入力されるまで持続的に前記特徴値に対応するスパイク信号を出力する前記持続部とを備えてもよい。
ここで、前記ゲートニューロンは、前記入力部に受信する入力に対応する特徴値の種類だけ存在してもよい。
ここで、前記持続部は、前記バースト信号を受信した場合、前記特徴値に該当するスパイク信号を持続的に出力するそれぞれの特徴値ごとの持続ニューロンと、前記持続ニューロンと前記アイドルニューロンを抑制して一回に一種類のスパイク信号だけが出力されるようにする少なくとも1つの抑制ニューロンとを含んでもよい。
ここで、前記抑制ニューロンは、初期化信号を受信した場合、前記持続部を初期化して持続的に出力した前記スパイク信号を遮断してもよい。
ここで、前記順次選択部は、活性化された場合、対応する前記格納部に含まれたゲートニューロンを活性化する活性化信号を持続的に出力する選択ニューロンと、前記マルチプレクサから前記多重化されたバースト信号を受信した場合、次の順序の選択ニューロンを活性化させる順次選択ニューロンと、前記選択ニューロンを抑制して前記選択ニューロンのいずれか1つの選択ニューロンだけが前記活性化信号を出力するようにする少なくとも1つの抑制ニューロンと、前記順次選択ニューロンを抑制する信号を持続的に出力する制御ニューロンとを含んでもよい。
ここで、前記選択ニューロンのうち第1順序の選択ニューロンは、前記初期化信号を受信し、前記初期化信号が受信された場合、前記活性化信号を第1順序の格納部に含まれたゲートニューロンに持続的に送信してもよい。
ここで、前記制御ニューロンは、前記格納部それぞれに含まれたゲートニューロンを抑制する信号を持続的に出力してもよい。
本発明によると、スパイクニューロン基盤のワーキングメモリ装置を提供することができる。
一実施形態に係るワーキングメモリ装置の構成を示す図である。 一実施形態に係るワーキングメモリ装置で入力部の構成を示す図である。 入力部でノイズ除去ニューロンの入出力例を示す図である。 シナプスが有し得る短期可塑性(STP: Short Term Plasticity)の種類を示す図である。 ワーキングメモリ装置で入力信号のスパイク比率による入力部の入出力例を示す図である。 入力を持続させる結合された回帰ネットワークの構造を示す図である。 入力を持続させる回帰ネットワークの構造を示す図である。 一実施形態に係るワーキングメモリ装置で格納部の構成を示す図である。 スパイクニューロンを用いて構成された一実施形態に係るワーキングメモリ装置の構成を示す図である。 図9の動作中で入力部の入出力例を示す図である。 図9の動作中で格納部の出力例を示す図である。 図11に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。 他の実施形態に係るワーキングメモリ装置の構成を示す図である。 他の実施形態に係るワーキングメモリ装置でマルチプレクサの構成を示す図である。 図14のマルチプレクサの入出力例を示す図である。 他の実施形態に係るワーキングメモリ装置で順次選択部の構成を示す図である。 図16の順次選択部の入出力例を示す図である。 他の実施形態に係るワーキングメモリ装置で格納部の構成を示す図である。 図18の格納部の入出力例を示す図である。 スパイクニューロンを用いて構成された他の実施形態に係るワーキングメモリ装置の構成を示す図である。 図20の動作中で入力部とマルチプレクサの入出力例を示す図である。 図20の動作中で順次選択部の入出力例を示す図である。 図20の動作中で格納部の出力例を示す図である。 図20に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。 図20の動作中で格納部が選択された場合、入力部とマルチプレクサの入出力例を示す図である。 図20の動作中で格納部が選択された場合、順次選択部の入出力例を示す図である。 図20の動作中で格納部が選択された場合、格納部の出力例を示す図である。 図27に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。
以下、本発明の実施形態について添付の図面を参照しながら詳細に説明する。
以下の説明で、神経回路を用いて時間に応じて変化するパターンを臨時的に所望する時間中に格納する装置をワーキングメモリ装置という。
図1は、一実施形態に係るワーキングメモリ装置の構成を示す図である。
図1に示すように、ワーキングメモリ装置100は、入力インタフェース110、複数の格納部(ME: Memory Element)120、130、140を備える。
入力インタフェース110は、複数のニューロンから入力される入力スパイク信号(Input spikes)を一定形態のバーストスパイク形態に変わって出力する。入力インタフェース110は、入力スパイク信号の列をスパイク比率及び長さに関わらず時間幅が一定のバースト構造に変える。
格納部120、130、140は順次活性化され、活性化された格納部は入力インタフェース110から出力されるバーストスパイク信号(Burst spikes)に対応する特徴値を格納する。以下では、バーストスパイク信号をバースト信号と称する。
格納部120、130、140は、バースト信号に対応する特徴値が格納されている場合に非活性化され、次の順序の格納部を活性化する。すなわち、第0格納部120を除いた格納部130、140は、前の順序の格納部によって活性化される。
格納部120、130、140はバースト信号に対応する特徴値が格納されている場合、初期化信号によって初期化されるまで入力値に該当するスパイク信号を持続的に出力する。
図2は、一実施形態に係るワーキングメモリ装置で入力部の構成を示す図である。
図2に示すように、入力インタフェース110は、入力当たり2つの活性ニューロン(excitedry neuron)と1つの抑制ニューロン(inhibitory neuron)を含んで構成される。ここで、入力側にあるノイズを除去するための活性ニューロン211、212、213を省略してもよく、以下の説明では、ノイズを除去するための活性ニューロンをノイズ除去ニューロンであると称する。ノイズ除去ニューロン211、212、213が省略される場合、入力インタフェース110は、入力当たり1つの活性ニューロンと1つの抑制ニューロンから構成される。
ノイズ除去ニューロン211、212、213が含まれる場合、ノイズ除去のために入力とノイズ除去ニューロンの間は短期的な促進(STF: Short Term Facilitation)機能を有するシナプスに連結されている。シナプスの特性は、下記の図4を参照して後述することにする。
図4は、シナプスが有し得る短期可塑性の種類を示す図である。シナプスの短期可塑性とは、シナプスが伝達する連続するスパイク信号の強度変化を示す。図4に示すように、シナプスは大きく、促進(facilitation)、降下(depression)及び静的(static)のうち1つの特徴を有する。
促進は、連続するスパイク信号が入力されれば、最初には小さいサイズで伝達して徐々に大きいサイズに伝達する特性を示す。
降下は、連続するスパイク信号が入力される最初には大きいサイズで伝達して徐々に小さいサイズに伝達する特性を示す。静的は、連続するスパイク信号を一定のサイズに伝達する特性を示す。
再び、図2に示すように、ノイズ除去ニューロン211、212、213は短期的な促進の特性を有するシナプスによって入力されるスパイク信号を用いて、図3に示すノイズを除去する。
図3は、入力インタフェースでノイズ除去ニューロンの入出力例を示す図である。図3に示すように、およそ2個のスパイクからなる入力がある場合、短期的な促進特性を有するシナプスとノイズ除去ニューロン211、212、213によって除去され、複数のスパイクからなる信号のみが出力されることが確認される。
入力インタフェース110は、入力当たり1つの活性ニューロン221、222、223と1つの抑制ニューロン231、232、233を用いて連続して入力されるスパイク信号をスパイク比率及び長さに関わらず、時間幅が一定のバースト構造のバースト信号に変換させて出力する。
より詳細に説明すると、活性ニューロン221、222、223は、入力されるスパイク信号を時間幅が一定のバースト構造に変更する。そして、抑制ニューロン231、232、233は、活性ニューロン221、222、223で生成するバースト構造のバースト信号が一定のサイズを有するように活性ニューロン221、222、223を抑制する。
入力インタフェース110は、バーストモードで動作するニューロンを用いる場合、入力に対応する特徴値ごとに1つのニューロンから構成することができる。
一方、入力インタフェース110は長さの長い入力が入ってくる場合、図5に示すように、適当な時間間隔ごとにバースト信号を出力することで入力が持続されることを示す。
図5は、ワーキングメモリ装置で入力信号のスパイク比率による入力インタフェースの入出力例を示す図である。図5に示すように、入力インタフェース110は長さの長い入力が入ってくる場合、時間間隔ごとにバースト信号を出力することによって入力が持続されていることを示す。ここで、入力されるスパイクのスパイク比率が高い場合(すなわち、時間当り入力されるスパイク数が多い場合)は、バースト信号が出力される時間間隔が短くし、スパイク比率が低い場合は、バースト信号が出力される時間間隔を増やす、ことで長い入力のスパイク比率に関する情報が示される。
図1に示す格納部120、130、140を説明する前に、一度活性化すれば入力がなくても活性化された状態を保持するネットワーク構造について図6および図7を参照して説明する。
図6は、入力を持続させる結合された回帰ネットワークの構造を示す図である。図6に示すように、(a)は結合された回帰ネットワークの構造を示し、(b)は結合された回帰ネットワークの構造を単に表したものである。その後、図面で結合された回帰ネットワークの構造を(b)の形態に表したものである。
結合された回帰ネットワークは2つの回帰ネットワークの結合から構成される。2つの回帰ネットワークはそれぞれグループX(Group X)とグループY(Group Y)に分類される。
グループXの回帰ネットワークは少なくとも1つの抑制ニューロン641と複数の活性ニューロン611、621、631から構成され、グループYの回帰ネットワークは少なくとも1つの抑制ニューロン642と複数の活性ニューロン612、622、632から構成される。
グループXの活性ニューロン611、621、631とグループYの活性ニューロン612、622、632は互いに対をなして結合し、スパイク信号が入力されれば、対をなす活性ニューロンとスパイク信号を交番に出力して入力されたスパイク信号を持続する。
結合された回帰ネットワークで活性ニューロンのシナプスは、AMPA(α-amono-3-hydroxy-5-methylisozazole-4-propionic acid)受容体で構成される。ここで、AMPA受容体から構成された新しいシナプススパイク信号に対する反応速度は略1ms〜5ms間の値を有する。
図7は、入力を持続させる回帰ネットワークの構造を示す図である。図7に示すように、回帰ネットワークは、少なくとも1つの抑制ニューロン740と複数の活性ニューロン710、720、730から構成され、回帰ネットワークだけで入力されたスパイク信号を持続させるために活性ニューロン710、720、730の回帰接続(自己にループバックする接続)されたシナプスを反応速度の極めて遅いシナプスを用いてもよい。反応速度の遅いシナプスではNMPA(N−Mrthyl-D-aspartic acid)受容体から構成されたシナプスがある。ここで、NMPA受容体から構成されたシナプスは、スパイク信号に対する反応速度が略80ms以上の値を有する。
図8は、一実施形態に係るワーキングメモリ装置で格納部の構成を示す図である。図8に示すように、図1の格納部120、130、140は制御を行う活性ニューロン810(以下、制御ニューロンと称する)、ゲートの役割を行う活性ニューロン821、822、823(以下、ゲートニューロンと称する)及び持続部830を備える。
ゲートニューロン821、822、823は、制御ニューロン810の制御によって抑制されたり、活性化されるニューロンに入力されるバースト信号を持続部830の該当入力に該当するニューロンに伝達する。ここで、ゲートニューロン821、822、823は、入力インタフェース110で受信される入力の数だけ存在する。すなわち、ゲートニューロンは入力ごとに1つずつ存在する。
持続部830は、バースト信号が入力されれば、該当入力に対応する少なくとも1つのニューロンを活性化させて初期化信号が入力されるまで持続的にスパイク信号を出力する。
持続部830は、2つの回帰ネットワーク(Group X, Group Y)が結合された形態の結合された回帰ネットワークで構成される。
回帰ネットワーク(Group X)は、各入力に該当する活性ニューロン841、851、861(以下、持続ニューロンと称する)、初期化信号によりアイドリング状態であることを出力する活性ニューロン871(以下、アイドルニューロンと称する)及び持続ニューロン841、851、861とアイドルニューロン871のいずれか1つでもスパイク信号を出力した場合、持続ニューロン841、851、861とアイドルニューロン871の全てを抑制する抑制ニューロン881を含む。
そして、回帰ネットワーク(Group X)と結合する回帰ネットワーク(Group Y)は、持続ニューロン842、852、862、アイドルニューロン872及び抑制ニューロン882を含む。
持続部830は、初期化信号が入力された場合、アイドルニューロン871、872が交代しながら活性化されつつ、次の順序の格納部を非活性化するアイドル信号を次の順序の格納部に出力する。
持続部830は、ゲートニューロン821、822、823のいずれか1つによってバースト信号を受信すれば、持続ニューロン841、851、861、842、852、862から入力に該当する持続ニューロンの対を用いて交番にスパイク信号を出力し、出力が持続できるようにする。ここで、持続部830は、抑制ニューロン881、882により一対の持続ニューロンによってのみ出力が持続される。
持続部830の持続ニューロン841、851、861、842、852、862による出力は制御ニューロン810の入力に提供される。
図8に示す持続部830は、図6に示す結合された回帰ネットワークの形態から構成されたが、図7に示すような回帰ネットワークにも構成されてもよい。
制御ニューロン810は、ゲートニューロン821、822、823を活性化するか抑制して格納部を活性化するか非活性化してもよい。制御ニューロン810は、前の順序の格納部の遊休ニューロンから遊休信号を受信した場合、ゲートニューロン821、822、823を抑制して非活性化する。
そして、制御ニューロン810は、前の順序の格納部にバースト信号が格納されて前の順序の格納部から遊休信号の出力が中止された場合、持続ニューロン841、851、861、842、852、862の抑制を中止することによって格納部を活性化する。
その後、制御ニューロン810は、持続部830の持続ニューロン841、851、861、842、852、862の1つからスパイク信号を受信した場合、ゲートニューロン821、822、823を抑制して非活性化する。
すなわち、制御ニューロン810は、前の順序の格納部の遊休ニューロンから遊休信号を受信したり、持続部830の持続ニューロン841、851、861、842、852、862の1つからスパイク信号を受信した場合、ゲートニューロン821、822、823を抑制して非活性化し、入力される信号がなければゲートニューロン821、822、823を活性化する。
図9は、スパイクニューロンを用いて構成された一実施形態に係るワーキングメモリ装置の構成を示す図である。
図1に示すワーキングメモリ装置を図2及び図8を参照して説明したニューロンに実現すれば、図9に示すように構成される。図9で表現された各装置の細部構成に対する説明は、図2及び図8と同様であるため、その詳細な説明は省略する。
図9に示すワーキングメモリ装置に7、4、6、1、0、3の値が順次入力されるときの各装置の入出力例を図10、図11及び図12を参照して説明する。
図10は、図9に示す動作中で入力部の入出力例を示す図である。図10において、Resetは格納部120、130、140を初期化するスパイク信号であり、Inputは入力インタフェース110に入力されるスパイク信号であり、In Intfは入力インタフェース110から出力されるバースト信号である。図10に示すように、入力されたスパイク信号が時間幅の一定のバースト信号に変わって出力されたことが確認される。
図11は、図9に示す動作中で格納部の出力例を示す図である。図11において、Resetは格納部120、130、140を初期化するスパイク信号であり、Inputは入力インタフェース110に入力されるスパイク信号であり、ME0〜ME5は、第0格納部から第5格納部に出力するスパイク信号を示し、ME0からME5の出力において
(外1)
に表示された出力はアイドル信号を示す。
図11に示すように、ME0からME5にスパイク信号による入力値が順次格納され、初期化信号が入力されるまで持続的に格納された入力に該当するスパイク信号を出力することが確認される。
図12は、図11に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。
図11を参照して各時間t0〜t5において、記憶格納部の活性化状態について説明すると、時間に応じて変化する空間−時間のスパイク信号のパターンを空間のパターンに変えるワーキングメモリの特性を確認することができる。
図13は、他の実施形態に係るワーキングメモリ装置の構成を示す図である。図13に示すように、ワーキングメモリ装置1300は、入力インタフェース1310、マルチプレクサ1320、順次選択部1330及び複数の格納部1340、1350、1360を備える。
入力インタフェース1310は、複数のニューロンから入力される入力スパイク信号を一定形態のバーストスパイク形態に変えて出力する。入力インタフェース110は、入力スパイク信号の列をスパイク比率及び長さに関わらず、時間幅が一定のバースト構造に変える。入力インタフェース1310は、図1に示す入力インタフェース110と同一に構成されてもよい。
マルチプレクサ1320は入力インタフェース1310から出力されれば、バースト信号を予め設定した値のバーストスパイ信号に多重化して順次選択部1330へ提供する。
順次選択部1330は、格納部1340、1350、1360のうち入力インタフェース1310から出力されれば、バースト信号が格納される格納部を選択し、選択された格納部を活性化する活性化信号を出力する。
順次選択部1330は、2種類の方法により格納部を選択する。第1の方法は、マルチプレクサ1320から多重化されたバースト信号を受信するたびに次の順序の格納部を選択する方法である。第2の方法は、外部選択信号S0、S1、SMを受信すれば、選択信号に対応する格納部を選択する方法である。ここで、外部選択信号の種類は格納部の数だけ存在し得る。
格納部1340、1350、1360は、順次選択部1330の選択によって活性化され、活性化された格納部は入力部1310から出力されるバースト信号を格納する。
格納部1340、1350、1360はバースト信号が格納されている場合、初期化信号によって初期化されるまで入力値に該当するスパイク信号を持続的に出力する。
図14は、他の実施形態に係るワーキングメモリ装置でマルチプレクサの構成を示す図である。図14に示すように、マルチプレクサ1320は、活性ニューロン1410と抑制ニューロン1420を用いて入力される全てのバースト信号を予め設定した値を時間幅の一定なバースト信号に変換して順次選択部1330に出力する。
より詳細に説明すると、活性ニューロン1410は、入力されるバースト信号を予め設定した値のバースト構造に変更する。そして、抑制ニューロン1420は、活性ニューロン1410で生成するバースト構造のスパイク信号が一定のサイズを有するように活性ニューロン1410を抑制する。
ここで、活性ニューロン1410でバースト構造のスパイク信号を生成するために、活性ニューロン1410と活性ニューロン1410を接続するシナプスの短期可塑性は降下特性を有してもよい。
図15は、図14のマルチプレクサの入出力例を示す図である。図15に示すように、マルチプレクサ1320の入力で0、1、2、3、4の値を有するバースト信号が入力された場合であっても、0.0の値を有するバースト信号に多重化されて出力されることが確認される。
図16は、他の実施形態に係るワーキングメモリ装置で順次選択部の構成を示す図である。図16に示すように、順次選択部1330は、図7に示す結合された回帰ネットワークに基づいて構成されたものである。順次選択部1330は、結合された回帰ネットワークの入力によって活性化された特定のニューロングループが入力がなくなった後にも継続して活性化された状態を保持する特性を用いて、図16に示すように構成して格納部1340、1350、1360を順次活性化してもよい。
順次選択部1330は、持続的に抑制スパイク信号を出力する抑制ニューロン1610(以下、制御ニューロンと称する)、Group X、Group Y及びGroup tを含んで構成される。
制御ニューロン1610は、グループtに含まれたニューロンを抑制する信号を持続的に出力する。また、制御ニューロン1610は、各格納部1340、1350、1360に含まれたゲートニューロンを抑制する信号を持続的に出力する。
Group Xは、格納部1340、1350、1360それぞれを選択する活性ニューロン1621、1631、1651(以下、選択ニューロンと称する)及び選択ニューロン1621、1631、1651のいずれか1つでもスパイク信号が出力された場合、選択ニューロン1621、1631、1651を全て抑制する抑制ニューロン1661を含む。
そして、Group Xと結合するGroup Yは選択ニューロン1622、1632、1652及び抑制ニューロン1662を含む。
Group tは、マルチプレクサ1320から多重化されたバースト信号を受信してGroup Yの選択ニューロンからスパイク信号を受信した場合、Group Xに含まれた次の順序の選択ニューロンにスパイク信号を出力する活性ニューロン1623、1633、1643、1653(以下、順次選択ニューロンと称する)から構成される。
順次選択部1330は、初期化信号がGroup Xの0番の選択ニューロン1621に入力された場合、一対であるGroup Yの0番の選択ニューロン1622と共に交代しながら活性化され、第0格納部1340を活性化するスパイク信号を持続的に出力する。ここで、Group Xの選択ニューロンと対応するGroup Yの選択ニューロンをグルーピングして選択ニューロングループという。
その後、順次選択部1330は、マルチプレクサ1320から多重化されたバースト信号が受信されるたびにGroup tに含まれた順次選択ニューロン1623、1633、1643、1653の1つによってスパイク信号を出力する選択ニューロングループを変更する。すなわち、順次選択部1330は0→1→2→..→M番の選択ニューロングループを活性化した後、再び0番の選択ニューロングループを活性化する。活性化された選択ニューロングループは、持続的にスパイク信号を出力して対応する格納部を活性化する。
順次選択部1330は、マルチプレクサ1320から入る多重化されたバースト信号のみならず、別途の外部選択信号S0、S1、SMによって特定選択ニューロングループが活性化されるようにする。すなわち、順次選択部1330は、Group Xの選択ニューロン1621、1631、1651の1つに外部選択信号S0、S1、SMが入力された場合、外部選択信号が入力された選択ニューロングループを活性化する。
図17は、図16に示す順次選択部の入出力例を示す図である。図17において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputはマルチプレクサ1320から入力される多重化されたバースト信号であり、GxはGroup Xに含まれた選択ニューロン1621、1631、1651及び抑制ニューロン1661の出力を示し、GyはGroup Yに含まれた選択ニューロン1622、1632、1652及び抑制ニューロン1662の出力を示し、GtはGroup tに含まれた順次選択ニューロン1623、1633、1643、1653の出力を示す。図17に示すように、マルチプレクサ1320からの入力によって順次増加することが確認される。
図18は、他の実施形態に係るワーキングメモリ装置における格納部の構成を示す図である。図18を参照すると、格納部1340、1350、1360はゲートニューロン1821、1822、1823と持続部1830を備える。
ゲートニューロン1821、1822、1823は、順次選択部1330から一定の間隔持続的に受信される制御信号によって抑制され、入力インタフェース1310からのバースト信号と順次選択部1330からの活性化スパイク信号を共に受信する場合、入力インタフェース1310から入力されるバースト信号を持続部1830の該当入力に該当するニューロンへ伝達する。
持続部1830は、バースト信号が入力された場合、該当入力に対応する少なくとも1つのニューロンを活性化させ、初期化信号が入力されるまで持続的にスパイク信号を出力する。
持続部1830は、2つの回帰ネットワーク(Group X、Group Y)が結合された形態の結合された回帰ネットワークで構成される。
回帰ネットワーク(Group X)は、各入力に該当する持続ニューロン1841、1851、1861及び持続ニューロン1841、1851、1861のいずれか1つでもスパイク信号が出力されれば、持続ニューロン1841、1851、1861を抑制する抑制ニューロン1871を含む。また、抑制ニューロン1871は初期化信号を受信すれば、持続ニューロン1841、1851、1861を抑制する。
そして、回帰ネットワーク(Group X)と結合する回帰ネットワーク(Group Y)は、持続ニューロン1842、1852、1862及び抑制ニューロン1872を含む。
持続部1830は、ゲートニューロン1821、1822、1823のいずれか1つによってバースト信号を受信した場合、持続ニューロン1841、1851、1861、1842、1852、1862のうち入力に該当する持続ニューロンの対を用いて、交番にスパイク信号を出力して出力が持続されるようにする。ここで、持続部1830は、抑制ニューロン1871、1872によって一対である持続ニューロンによってのみ出力が持続される。そして、持続部1830は、抑制ニューロン1871、1872に初期化信号が受信されれば、非活性化される。
図8に示す格納部120と図18の格納部1340を比較したとき、図18の格納部1340は図8の格納部120においてアイドリング状態を示すアイドルニューロングループを省略し、格納部を活性化して非活性化する信号を内部の制御ニューロンではない順次選択部1330から受信する信号を用いる。
図18に示す格納部1340でアイドルニューロングループは省略されているため、全ての持続ニューロングループは初期状態に全て非活性化されている。
図19は、図18に示す格納部の入出力例を示す図である。図19において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310から入力されるバースト信号であり、S.selは順次選択部1330の活性化信号であり、Gtは順次選択部1330のGroup tに含まれた順次選択ニューロン1623、1633、1643、1653の出力を示し、Gxは格納部のGroup Xに含まれた持続ニューロン1841、1851、1861及び抑制ニューロン1871の出力を示し、Gyは格納部のGroup Yに含まれた持続ニューロン1842、1852、1862及び抑制ニューロン1872の出力を示す。
図19は、8種類の入力を有する格納部で0と4の入力が入るとき、順次選択部1330によって活性化が行われて0番と4番の格納部が順次活性化されることを示す図である。
図19に示すように、格納部は最初には非活性化されているものの、順次選択部1330によって活性化された状態で0が入る瞬間、格納部は0に該当するスパイク信号を出力する。その後、1、2、3の入力では順次選択部1330による活性化されないため格納部の状態は変わらない。すなわち、順次選択部1330によって活性化される場合には該当入力が格納部に格納されるものの、活性化されない場合には入力が入っても格納部の状態は変わらない。順次選択部1330によって活性化されている状態で新しい入力4がある場合、格納部は4に該当するスパイク信号に変えて出力する。また、700msで発生した初期化信号によって格納部は非活性化の状態に戻る。
図20は、スパイキングニューロンを用いて構成された他の実施形態に係るワーキングメモリ装置の構成を示す図である。
図13に示すワーキングメモリ装置を図2、図14、図16及び図18を参照して説明したニューロンで実現する場合、図20に示すように構成することが考えられる。図20で表現された各装置の細部構成の説明は、図2、図14、図16及び図18と同一であるため、その詳細な説明は省略する。
図20に示す作業記憶装置に7、4、6、1、0、3の値が順次入力されるときの各装置の入出力例について、下記の図21から図24を参照して説明する。
図21は、図20に示す動作中で入力部とマルチプレクサの入出力例を示す図である。図21において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310に入力されるスパイク信号であり、In Intfは入力部1310から出力されるバースト信号であり、Multiplexerはマルチプレクサ1320から出力される多重化されたバースト信号である。
図21に示すように、入力されたスパイク信号が時間幅が一定のバースト信号に変わって出力されることが確認される。また、マルチプレクサ1320は、一定の値を有するバースト信号を出力することが確認される。
図22は、図20の動作中で順次選択部の入出力例を示す図である。図22において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310から入力されるスパイク信号であり、SS_Gxは順次選択部1320のGroup Xに含まれた選択ニューロン1621、1631、1651及び抑制ニューロン1661の出力を示し、SS_Gyは順次選択部1320のGroup Yに含まれた選択ニューロン1622、1632、1652及び抑制ニューロン1662の出力を示し、順次選択部1320のSS_GtはGroup tに含まれた順次選択ニューロン1623、1633、1643、1653の出力を示す。
図22に示すように、入力インタフェース1310に7、4、6、1、0、3の値が順次入力されるたびにSS_Gtの値が順次増加し、SS_Gtの順次的増加によりSS_GxとSS_Gyの値が順次増加し、格納部が順次選択されることが確認される。
図23は、図20の動作中で格納部の出力例を示す図である。図23において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310に入力されるスパイク信号であり、ME0からME5は第0格納部から第5格納部に出力するスパイク信号を示す。
図23に示すように、ME0からME5にスパイク信号による入力値が順次格納され、初期化信号が入力されるまで持続的に格納された入力に該当するスパイク信号を出力することが確認され。
図24は、図20に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。
図23を参照して各時間t0〜t5で記憶格納部の活性化状態について説明すると、時間に応じて変化する空間−時間のスパイク信号のパターンを空間のパターンに変えるワーキングメモリの特性を確認することができる。
図20に示すワーキングメモリ装置に7、4、6、1、0、3の値が順次入力された後に順次選択部1320によって第3格納部ME3が選択され、2、5、0が順次入力されるときの各装置の入出力例については図25から図28を参照して説明することにする。
図25は、図20の動作中で格納部が選択された場合、入力インタフェースとマルチプレクサの入出力例を示す図である。図25において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310に入力されるスパイク信号であり、In Intfは入力インタフェース1310から出力されるバースト信号であり、Multiplexerはマルチプレクサ1320から出力される多重化されたバースト信号であり、Selectは順次選択部1320に入力される選択信号である。
図25に示すように、入力されたスパイク信号が時間幅が一定のバースト信号に変わって出力され、マルチプレクサ1320は一定の値を有するバースト信号を出力することが確認される。
図26は、図20の動作中で格納部が選択された場合、順次選択部の入出力例を示す図である。図26において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310から入力されるスパイク信号であり、SS_Gxは順次選択部1320のGroup Xに含まれた選択ニューロン1621、1631、1651及び抑制ニューロン1661の出力を示し、SS_Gyは順次選択部1320のGroup Yに含まれた選択ニューロン1622、1632、1652及び抑制ニューロン1662の出力を示し、順次選択部1320のSS_GtはGroup tに含まれた順次選択ニューロン1623、1633、1643、1653の出力を示し、Selectは順次選択部1320に入力される選択信号である。
図26に示すように、入力インタフェース1310に7、4、6、1、0、3の値が順次入力されるたびにSS_Gtの値が順次増加し、SS_Gtの順次的増加によってSS_GxとSS_Gyの値が順次増加し、格納部が順次選択されることが確認される。
そして、SelectにME3の選択信号が入力されれば、SS_Gtの値が3に変わり、これによってSS_GxとSS_Gyの値ME3を選択する。ME3が選択された後2、5、0が入力されるたびにSS_Gt、SS_Gx及びSS_Gyの値は順次増加されることが確認される。
図27は、図20の動作中で格納部が選択された場合、格納部の出力例を示す図である。
図23において、Resetは格納部1340、1350、1360を初期化するスパイク信号であり、Inputは入力インタフェース1310に入力されるスパイク信号であり、ME0からME5は第0格納部から第5格納部に出力するスパイク信号を示し、Selectは順次選択部1320に入力される選択信号である。
図27に示すように、ME0からME5にスパイク信号による入力値が順次格納されて持続的に出力される。そして、SelectにME3の選択信号が入力されて順次格納部に2、5、0が入力されれば、ME3、ME4、ME5に格納された1、0、3の値は2、5、0に変更されて格納されることで持続的に出力されることが確認される。
図28は、図27に表示された各時間における格納部の活性化ニューロンのパターンを示す図である。
図27で定義された時間tx、tyにおける各格納部の活性化状態を示したものである。tx、tyにおける各格納部の活性化状態を比較したとき、ME−3、ME−4、ME−5の状態が更新されたことが確認される。
入力スパイク信号を一定形態のバースト構造のスパイク信号であるバースト信号に変わって出力する入力インタフェース、及び入力インタフェースから出力されるバースト信号の順に応じて順次に1つの格納部に1つのバースト信号を格納し、入力値に対応するスパイク信号を持続的に出力する少なくとも2つ以上の格納部を備えるスパイクニューロン基盤のワーキングメモリ装置に関し、時間に応じて変化する入力パターンを臨時的に所望する期間中に格納することで多様なパターン認識を可能にする。
上述したように本発明は、たとえ限定された実施形態と図面によって説明されたが、本発明は前述の実施形態に限定されるもことなく、本発明が属する分野で通常の知識を有する者であれば、このような記載から多様な修正及び変形が可能である。
したがって、本発明の範囲は説明された実施形態に限定されて決定されてはならず、後述する特許請求の範囲だけではなく、この特許請求の範囲と均等なものなどによって決まらなければならない。
100:ワーキングメモリ装置
110:入力インタフェース
120:第0格納部
130:第1格納部
140:第M格納部
1300:ワーキングメモリ装置
1310:入力インタフェース
1320:マルチプレクサ
1330:順次選択部
1340:第0格納部
1350:第1格納部
1360:第M格納部

Claims (21)

  1. 入力スパイク信号を一定形態のバースト構造のスパイク信号であるバースト信号に変換して出力する入力部と、
    前記入力部から出力される前記バースト信号に対応する特徴値を格納する2つ以上の格納部と、を備え、
    前記格納部は、前記入力部から出力される前記バースト信号の順に応じて順次に1つの格納部に1つのバースト信号に対応する特徴値を格納し、格納した特徴値に対応するスパイク信号を持続的に出力する、
    ことを特徴とするスパイクニューロン基盤のワーキングメモリ装置。
  2. 前記格納部は、前記バースト信号に対応する特徴値が格納されている場合、非活性化されて次の順序の格納部を活性化する、
    ことを特徴とする請求項1記載のスパイクニューロン基盤のワーキングメモリ装置。
  3. 前記格納部は、前記バースト信号が格納されている場合、初期化信号によって初期化されるまで入力値に対応するスパイク信号を持続的に出力する、
    ことを特徴とする請求項1記載のスパイクニューロン基盤のワーキングメモリ装置。
  4. 前記入力部は、
    入力に受信できる特徴値ごとに、入力されるスパイク信号を時間幅が一定のバースト構造に変更する活性ニューロンと、
    前記活性ニューロンで変更されたバースト構造のスパイク信号が一定のサイズを有するように前記活性ニューロンを抑制してバースト信号を生成する抑制ニューロンと、
    を含むことを特徴とする請求項1乃至3の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  5. 前記入力部は、
    入力に受信できる特徴値ごとに、前記入力されるスパイク信号をノイズ除去ニューロンに伝達する短期的な促進特性を有するシナプスと、
    前記シナプスによって入力されたスパイク信号からノイズを除去して前記活性ニューロンに伝達する前記ノイズ除去ニューロンと、
    をさらに含むことを特徴とする請求項4に記載のスパイクニューロン基盤のワーキングメモリ装置。
  6. 前記格納部それぞれは、
    活性化された場合、前記入力部から受信する前記バースト信号を持続部に伝達するゲートニューロンと、
    前記バースト信号が入力された場合、前記バースト信号に対応する前記特徴値に対応する少なくとも1つのニューロンを活性化させて、初期化信号が入力されるまで持続的に前記特徴値に対応するスパイク信号を出力する前記持続部と、
    前記ゲートニューロンを活性化したり抑制する制御ニューロンと、
    を含むことを特徴とする請求項1乃至5の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  7. 前記制御ニューロンは、以前順序の格納部からアイドル信号を受信したり、または、前記持続部から前記特徴値に対応するスパイク信号を受信した場合に、前記ゲートニューロンを抑制し、
    入力される信号がない場合、前記ゲートニューロンを活性化する、
    ことを特徴とする請求項6記載のスパイクニューロン基盤のワーキングメモリ装置。
  8. 前記ゲートニューロンは、前記入力部で受信する入力に対応する特徴値の種類だけ存在する、
    ことを特徴とする請求項6又は7記載のスパイクニューロン基盤のワーキングメモリ装置。
  9. 前記持続部は、
    前記バースト信号を受信した場合、前記特徴値に該当するスパイク信号を持続的に出力するそれぞれの特徴値ごとの持続ニューロンと、
    初期化信号によりアイドリング状態であることを示すアイドル信号を出力する少なくとも1つのアイドルニューロンと、
    前記持続ニューロンと前記アイドルニューロンを抑制し、一回に一種類のスパイク信号だけが出力されるようにする少なくとも1つの抑制ニューロンと、
    を含むことを特徴とする請求項6乃至8の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  10. 入力スパイク信号を一定形態のバースト構造のスパイク信号であるバースト信号に変換して出力する入力部と、
    前記バースト信号を予め設定した値を有する多重化されたバースト信号に変えて出力するマルチプレクサと、
    前記マルチプレクサから出力される多重化されたバースト信号が入力された場合、次の順序の格納部を選択する活性化信号を出力する順次選択部と、
    前記順次選択部で出力する前記活性化信号を受信した場合、前記入力部から出力される前記バースト信号に対応する特徴値を格納し、前記特徴値に対応するスパイク信号を持続的に出力する格納部を2つ以上備える、
    ことを特徴とするスパイクニューロン基盤のワーキングメモリ装置。
  11. 前記順次選択部は、外部から前記格納部のいずれか1つを選択する外部選択信号を受信した場合、前記活性化信号を選択された格納部に出力する、
    ことを特徴とする請求項10記載のスパイクニューロン基盤のワーキングメモリ装置。
  12. 前記格納部は、前記バースト信号が格納されている場合、初期化信号によって初期化されるまで前記特徴値に対応するスパイク信号を持続的に出力する、
    ことを特徴とする請求項10又は11に記載のスパイクニューロン基盤のワーキングメモリ装置。
  13. 前記入力部は、
    入力に受信できる特徴値ごとに、入力されるスパイク信号を時間幅が一定のバースト構造に変更する活性ニューロンと、
    前記活性ニューロンで変更されたバースト構造のスパイク信号が一定のサイズを有するように前記活性ニューロンを抑制してバースト信号を生成する抑制ニューロンと、
    を含むことを特徴とする請求項10乃至12の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  14. 前記入力部は、
    入力に受信できる特徴値ごとに、前記入力されるスパイク信号をノイズ除去ニューロンに伝達する短期的な促進特性を有するシナプスと、
    前記シナプスによって入力されたスパイク信号からノイズを除去して前記活性ニューロンに伝達する前記ノイズ除去ニューロンと、
    をさらに含むことを特徴とする請求項13に記載のスパイクニューロン基盤のワーキングメモリ装置。
  15. 前記格納部それぞれは、
    前記順次選択部によって活性化された場合、前記入力部から受信する前記バースト信号を持続部に伝達するゲートニューロンと、
    前記バースト信号が入力された場合、前記特徴値に対応する少なくとも1つのニューロンを活性化させて、初期化信号が入力されるまで持続的に前記特徴値に対応するスパイク信号を出力する前記持続部と、
    を備えることを特徴とする請求項10乃至14の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  16. 前記ゲートニューロンは、前記入力部に受信する入力に対応する特徴値の種類だけ存在する、
    ことを特徴とする請求項15記載のスパイクニューロン基盤のワーキングメモリ装置。
  17. 前記持続部は、
    前記バースト信号を受信した場合、前記特徴値に該当するスパイク信号を持続的に出力するそれぞれの特徴値ごとの持続ニューロンと、
    前記持続ニューロンを抑制して一回に一種類のスパイク信号だけが出力されるようにする少なくとも1つの抑制ニューロンと、
    を含むことを特徴とする請求項15又は16記載のスパイクニューロン基盤のワーキングメモリ装置。
  18. 前記抑制ニューロンは、初期化信号を受信した場合、前記持続部を初期化して持続的に出力した前記スパイク信号を遮断する、
    ことを特徴とする請求項17記載のスパイクニューロン基盤のワーキングメモリ装置。
  19. 前記順次選択部は、
    活性化された場合、対応する前記格納部に含まれたゲートニューロンを活性化する活性化信号を持続的に出力する選択ニューロンと、
    前記マルチプレクサから前記多重化されたバースト信号を受信した場合、次の順序の選択ニューロンを活性化させる順次選択ニューロンと、
    前記選択ニューロンを抑制して前記選択ニューロンのいずれか1つの選択ニューロンだけが前記活性化信号を出力するようにする少なくとも1つの抑制ニューロンと、
    前記順次選択ニューロンを抑制する信号を持続的に出力する制御ニューロンと、
    を含むことを特徴とする請求項10乃至18の何れか記載のスパイクニューロン基盤のワーキングメモリ装置。
  20. 前記選択ニューロンのうち第1順序の選択ニューロンは、前記初期化信号を受信し、前記初期化信号が受信された場合、前記活性化信号を第1順序の格納部に含まれたゲートニューロンに持続的に送信する、
    ことを特徴とする請求項15に従属する場合の請求項19記載のスパイクニューロン基盤のワーキングメモリ装置。
  21. 前記制御ニューロンは、前記格納部それぞれに含まれたゲートニューロンを抑制する信号を持続的に出力する、
    ことを特徴とする請求項19又は20に記載のスパイクニューロン基盤のワーキングメモリ装置。
JP2012268875A 2011-12-09 2012-12-07 スパイクニューロン基盤のワーキングメモリ装置 Active JP6050105B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020110131604A KR101912165B1 (ko) 2011-12-09 2011-12-09 스파이킹 뉴런 기반 작업 기억 장치
KR10-2011-0131604 2011-12-09

Publications (2)

Publication Number Publication Date
JP2013122760A JP2013122760A (ja) 2013-06-20
JP6050105B2 true JP6050105B2 (ja) 2016-12-21

Family

ID=47563014

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012268875A Active JP6050105B2 (ja) 2011-12-09 2012-12-07 スパイクニューロン基盤のワーキングメモリ装置

Country Status (5)

Country Link
US (1) US9037524B2 (ja)
EP (1) EP2602749B1 (ja)
JP (1) JP6050105B2 (ja)
KR (1) KR101912165B1 (ja)
CN (1) CN103164741B (ja)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053428B2 (en) * 2011-07-21 2015-06-09 Qualcomm Incorporated Method and apparatus of robust neural temporal coding, learning and cell recruitments for memory using oscillation
US10339447B2 (en) * 2014-01-23 2019-07-02 Qualcomm Incorporated Configuring sparse neuronal networks
JP6467710B2 (ja) * 2015-04-06 2019-02-13 信太郎 本多 環境に適応する、汎用性を意識した人工知能システム
KR102446409B1 (ko) 2015-09-18 2022-09-22 삼성전자주식회사 시냅스 메모리 소자의 제조방법
EP3312724B1 (en) 2016-10-21 2019-10-30 Fujitsu Limited Microservice-based data processing apparatus, method, and program
JP6805765B2 (ja) 2016-10-21 2020-12-23 富士通株式会社 ソフトウェアサービスの実行のためのシステム、方法、及びプログラム
EP3312722A1 (en) 2016-10-21 2018-04-25 Fujitsu Limited Data processing apparatus, method, and program
US10776170B2 (en) 2016-10-21 2020-09-15 Fujitsu Limited Software service execution apparatus, system, and method
JP7100422B2 (ja) 2016-10-21 2022-07-13 富士通株式会社 データプロパティ認識のための装置、プログラム、及び方法
US10970622B2 (en) * 2017-01-13 2021-04-06 International Business Machines Corporation Dynamic gating using neuromorphic hardware
WO2018137411A1 (zh) * 2017-01-25 2018-08-02 清华大学 神经网络信息转换方法、系统及计算机设备
US10922608B2 (en) * 2017-03-08 2021-02-16 Arm Ltd Spiking neural network
CN111164615A (zh) * 2017-12-15 2020-05-15 英特尔公司 在尖峰神经网络中使用尖峰波进行基于上下文的搜索
KR20210063721A (ko) 2019-11-25 2021-06-02 삼성전자주식회사 뉴로모픽 장치 및 이를 포함하는 뉴로모픽 시스템

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2624143B2 (ja) * 1993-09-24 1997-06-25 日本電気株式会社 ニューラルネットワークを用いた半導体集積回路装置
JP2736326B2 (ja) 1995-07-10 1998-04-02 工業技術院長 単一神経活動電位計測装置
CA2293477A1 (en) 1997-06-11 1998-12-17 The University Of Southern California Dynamic synapse for signal processing in neural networks
US6581046B1 (en) 1997-10-10 2003-06-17 Yeda Research And Development Co. Ltd. Neuronal phase-locked loops
KR100283470B1 (ko) 1998-12-09 2001-03-02 윤종용 반도체 메모리 장치의 어드레스 발생회로
WO2004027704A1 (en) * 2002-09-20 2004-04-01 Ecole Polytechnique Federale De Lausanne (Epfl) Spiking neural network device
JP4771249B2 (ja) 2003-03-24 2011-09-14 独立行政法人理化学研究所 相互結合型ニューラルネットワークシステム、相互結合型ニューラルネットワーク構造の構築方法、自己組織化ニューラルネットワーク構造の構築方法及びそれらの構築プログラム
JP4780921B2 (ja) * 2004-03-17 2011-09-28 キヤノン株式会社 並列パルス信号処理装置、及びその制御方法
JP4899177B2 (ja) 2004-11-22 2012-03-21 独立行政法人理化学研究所 自己発展型音声言語パターン認識システム、そのシステムで用いられる自己組織化ニューラルネットワーク構造の構築方法及びその構築プログラム
US7957793B2 (en) * 2004-12-22 2011-06-07 Wisconsin Alumni Research Foundation Methods for identifying neuronal spikes
JP4728055B2 (ja) * 2005-06-24 2011-07-20 エルピーダメモリ株式会社 人工神経回路
EP1964036A4 (en) * 2005-12-23 2010-01-13 Univ Sherbrooke ROOM-TIME PATTERN RECOGNITION USING A NEURONAL SPIKING NETWORK AND PROCESSING THEREOF FOR A PORTABLE AND / OR DISTRIBUTED COMPUTER
US8127075B2 (en) 2007-07-20 2012-02-28 Seagate Technology Llc Non-linear stochastic processing storage device
WO2009113993A1 (en) 2008-03-14 2009-09-17 Hewlett-Packard Development Company, L.P. Neuromorphic circuit
JP5155843B2 (ja) 2008-12-22 2013-03-06 シャープ株式会社 情報処理装置及びこれを用いたニューラルネットワーク回路
US20100179935A1 (en) 2009-01-13 2010-07-15 Gm Global Technology Operations, Inc. Spiking dynamical neural network for parallel prediction of multiple temporal events
JP2010287062A (ja) 2009-06-11 2010-12-24 Honda Motor Co Ltd ニューラルネットワーク・シミュレーション演算方法
US8527438B2 (en) 2009-12-22 2013-09-03 International Business Machines Corporation Producing spike-timing dependent plasticity in an ultra-dense synapse cross-bar array
CN102193518B (zh) * 2011-05-13 2013-04-24 南京理工大学 基于基底神经节的fpga仿生智能控制芯片
US9443190B2 (en) * 2011-11-09 2016-09-13 Qualcomm Incorporated Methods and apparatus for neural pattern sequence completion and neural pattern hierarchical replay by invoking replay of a referenced neural pattern

Also Published As

Publication number Publication date
CN103164741A (zh) 2013-06-19
US9037524B2 (en) 2015-05-19
KR20130064960A (ko) 2013-06-19
CN103164741B (zh) 2017-04-12
EP2602749A1 (en) 2013-06-12
EP2602749B1 (en) 2019-09-25
US20130151451A1 (en) 2013-06-13
JP2013122760A (ja) 2013-06-20
KR101912165B1 (ko) 2018-10-29

Similar Documents

Publication Publication Date Title
JP6050105B2 (ja) スパイクニューロン基盤のワーキングメモリ装置
US10891544B2 (en) Event-driven universal neural network circuit
US11164080B2 (en) Unsupervised, supervised and reinforced learning via spiking computation
US10140571B2 (en) Hierarchical scalable neuromorphic synaptronic system for synaptic and structural plasticity
US8812414B2 (en) Low-power event-driven neural computing architecture in neural networks
US9563842B2 (en) Structural plasticity in spiking neural networks with symmetric dual of an electronic neuron
US11853862B2 (en) Method, digital electronic circuit and system for unsupervised detection of repeating patterns in a series of events
CN105719000A (zh) 一种神经元硬件结构及用这种结构模拟脉冲神经网络的方法
Kistler et al. Stable propagation of activity pulses in populations of spiking neurons
KR20160112186A (ko) 뉴럴 네트워크에서 이벤트에 기반한 학습 방법 및 장치
JP5393589B2 (ja) 電子回路
Indiveri et al. Spike-based learning in VLSI networks of integrate-and-fire neurons
US10489705B2 (en) Discovering and using informative looping signals in a pulsed neural network having temporal encoders
Shibata et al. Partial gathering of mobile agents in asynchronous unidirectional rings
Bayat et al. Bottleneck of using a single memristive device as a synapse
JP5436327B2 (ja) 電子回路及び配線方式
CN109376853B (zh) 回声状态神经网络输出轴突电路
Długosz et al. Convex combination initialization method for kohonen neural network implemented in the CMOS technology
Elsley Learning to Understand and Control
Travis Real time distributed processing of multiple associated pulse pattern sequences
KR20000037597A (ko) 추계적인 동적 연상 기억망을 이용한 중첩패턴 분리 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150311

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160408

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160412

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160708

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20161115

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20161124

R150 Certificate of patent or registration of utility model

Ref document number: 6050105

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250