JP6794891B2 - ニューラルネットワーク回路 - Google Patents

ニューラルネットワーク回路 Download PDF

Info

Publication number
JP6794891B2
JP6794891B2 JP2017055744A JP2017055744A JP6794891B2 JP 6794891 B2 JP6794891 B2 JP 6794891B2 JP 2017055744 A JP2017055744 A JP 2017055744A JP 2017055744 A JP2017055744 A JP 2017055744A JP 6794891 B2 JP6794891 B2 JP 6794891B2
Authority
JP
Japan
Prior art keywords
circuit
differential amplifier
input
neural network
converter
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
JP2017055744A
Other languages
English (en)
Other versions
JP2018160007A (ja
Inventor
茂樹 大塚
茂樹 大塚
イリナ カタエヴァ
イリナ カタエヴァ
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.)
Denso Corp
Original Assignee
Denso 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 Denso Corp filed Critical Denso Corp
Priority to JP2017055744A priority Critical patent/JP6794891B2/ja
Priority to PCT/JP2018/002285 priority patent/WO2018173472A1/ja
Publication of JP2018160007A publication Critical patent/JP2018160007A/ja
Priority to US16/561,207 priority patent/US11487992B2/en
Application granted granted Critical
Publication of JP6794891B2 publication Critical patent/JP6794891B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/388Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using other various devices such as electro-chemical, microwave, surface acoustic wave, neuristor, electron beam switching, resonant, e.g. parametric, ferro-resonant
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/5443Sum of products
    • 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
    • G06N3/065Analogue means
    • 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
    • G11INFORMATION STORAGE
    • G11CSTATIC STORES
    • G11C13/00Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00
    • G11C13/0002Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00 using resistive RAM [RRAM] elements
    • G11C13/0021Auxiliary circuits
    • G11C13/0038Power supply circuits
    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03FAMPLIFIERS
    • H03F3/00Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/45Differential amplifiers
    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03FAMPLIFIERS
    • H03F3/00Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/45Differential amplifiers
    • H03F3/45071Differential amplifiers with semiconductor devices only
    • H03F3/45076Differential amplifiers with semiconductor devices only characterised by the way of implementation of the active amplifying circuit in the differential amplifier
    • H03F3/45475Differential amplifiers with semiconductor devices only characterised by the way of implementation of the active amplifying circuit in the differential amplifier using IC blocks as the active amplifying circuit
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2207/00Indexing scheme relating to methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F2207/38Indexing scheme relating to groups G06F7/38 - G06F7/575
    • G06F2207/48Indexing scheme relating to groups G06F7/48 - G06F7/575
    • G06F2207/4802Special implementations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2207/00Indexing scheme relating to methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F2207/38Indexing scheme relating to groups G06F7/38 - G06F7/575
    • G06F2207/48Indexing scheme relating to groups G06F7/48 - G06F7/575
    • G06F2207/4802Special implementations
    • G06F2207/4814Non-logic devices, e.g. operational amplifiers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2207/00Indexing scheme relating to methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F2207/38Indexing scheme relating to groups G06F7/38 - G06F7/575
    • G06F2207/48Indexing scheme relating to groups G06F7/48 - G06F7/575
    • G06F2207/4802Special implementations
    • G06F2207/4828Negative resistance devices, e.g. tunnel diodes, gunn effect devices
    • GPHYSICS
    • G11INFORMATION STORAGE
    • G11CSTATIC STORES
    • G11C13/00Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00
    • G11C13/0002Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00 using resistive RAM [RRAM] elements
    • G11C13/0021Auxiliary circuits
    • G11C13/004Reading or sensing circuits or methods
    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03FAMPLIFIERS
    • H03F2203/00Indexing scheme relating to amplifiers with only discharge tubes or only semiconductor devices as amplifying elements covered by H03F3/00
    • H03F2203/45Indexing scheme relating to differential amplifiers
    • H03F2203/45138Two or more differential amplifiers in IC-block form are combined, e.g. measuring amplifiers
    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03FAMPLIFIERS
    • H03F2203/00Indexing scheme relating to amplifiers with only discharge tubes or only semiconductor devices as amplifying elements covered by H03F3/00
    • H03F2203/45Indexing scheme relating to differential amplifiers
    • H03F2203/45528Indexing scheme relating to differential amplifiers the FBC comprising one or more passive resistors and being coupled between the LC and the IC

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Analogue/Digital Conversion (AREA)
  • Logic Circuits (AREA)

Description

本発明は、記憶素子としてのメモリスタを格子状に結合してなる記憶部を有するニューラルネットワーク回路に関する。
現在、メモリスタと称される、不揮発性でコンダクタンス値を可変できる2端子の素子をシナプスとして用い、ニューラルネットワーク回路を構成する研究が進められている。このようなニューラルネットワーク回路は、例えば図5,非特許文献1のFig.2に示すように、メモリスタを格子状に配置し、メモリスタに電圧を印加して電流を生成する。その合成電流をトランスインピーダンスアンプ,I/V変換アンプで電圧に変換し、活性化関数により波形を整形した後に電圧値として出力する。メモリスタがシナプスとして、I/V変換アンプがニューロンとして動作することで、ニューラルネットワーク回路が構成される。I/V変換アンプは、メモリスタのコンダクタンス値と印加電圧との積和演算をアナログ演算で行う。
上記のような積和演算は、例えば特許文献1に開示されているように、デジタル回路を用い、メモリに記憶された重みデータと入力データとを乗算し、乗算結果を順次加算する方式が一般的である。また、アナログ演算を行う場合は、図6に示すように、入力データをD/Aコンバータにより電圧に変換し、図5に示したメモリスタのコンダクタンス値を重みとしてアナログ領域で入力電圧と乗算する。そして、メモリスタからなるクロスバー構成において電流値を加算し、I/V変換アンプにより電圧に変換した後、A/Dコンバータによりデジタル値に変換する。
特許第5376920号公報
"A heterogeneous computing system with memristor-based neuromorphic accelerators " High PERFORMANCE Extreme Computing Conference, 2014 IEEE
上述したアナログ方式は、メモリと演算器とが一体化した構成となるため、デジタル方式に比較して電力消費が小さくなる。しかしながら、畳込み演算を行うニューラルネットワーク回路のように繰り返し実行する演算が多くなると、D/Aコンバータ,I/V変換アンプ,A/Dコンバータ等におけるアナログ回路の消費電力が増大し、無視できなくなる。
本発明は上記事情に鑑みてなされたものであり、その目的は、より消費電力を低減できるニューラルネットワーク回路を提供することにある。
請求項1記載のニューラルネットワーク回路によれば、メモリスタが記憶素子とする記憶部を備え、活性化関数としてランプ関数を使用する。差動増幅回路は、記憶素子を介して流れる電流を電圧に変換するI/V変換増幅回路のうち、対を成す2つの出力について差動演算を行い、その演算結果はA/DコンバータによりA/D変換される。そして、出力判定部は、差動増幅回路の入力信号を参照し、ランプ関数の極性の正負に応じて差動増幅回路の出力信号の値が活性領域に属するか不活性領域に属するかを判定し、その判定結果に基づき差動増幅回路及びA/Dコンバータを動作状態と待機状態とに切り換える。
活性化関数は差動増幅回路の出力信号に対して作用するので、ランプ関数の極性に応じて、関数値がゼロとなる前記出力信号の値域が決まる。すなわち、ランプ関数の極性が正の場合は出力信号の値域がゼロ又は負,前記極性が負の場合は前記値域がゼロ又は正であれば関数値はゼロとなる。このような出力信号の値域を「不活性領域」と称し、それ以外の値域を「活性領域」と称している。
つまり、差動増幅回路の出力信号レベルが不活性領域に属すれば、関数値は自動的にゼロとなるから、A/D変換を行う必要は無くなる。また、差動増幅回路の出力信号レベルが不活性領域に属するか否かは、事前に差動入力信号のレベルを参照すれば判定できるので、差動演算を行う必要もなくなる。そこで、出力判定部が、差動増幅回路の入力信号を参照し、当該回路の出力信号の値が活性領域に属すると判定した際に、差動増幅回路及びA/Dコンバータを動作状態から待機状態に切り換えるようにすれば、消費電力を低減できる。
第1実施形態であり、ニューラルネットワーク回路を構成するアナログ積和演算回路を示す機能ブロック図 ランプ関数の一例を示す図 図1の構成をより具体的に示す図 第2実施形態であり、入力判定部の構成を示す図 非特許文献1のFig.2を示す図 特許文献1に開示されている構成を示す図
(第1実施形態)
以下、第1実施形態について説明する。図1に示すアナログ積和演算回路1は、入力データData_inをD/Aコンバータ2により電圧変換する。変換された電圧はドライブアンプ3を介してメモリスタクロスバー回路4に印加される。メモリスタクロスバー回路4は、メモリスタを記憶素子とするもので、複数の記憶素子を格子状に配置して構成されており、記憶部に相当する。
選択回路5は、クロスバー回路4に印加する電圧を、ドライブアンプ3の出力電圧とするか、基準電圧Vrefとするかを選択する。判定回路6は、D/Aコンバータ2に入力されるデータData_inを参照し、当該データの値が活性領域に属するか、不活性領域に属するかを判定する。そして、活性領域に属する場合はD/Aコンバータ2及びドライブアンプ3を動作状態にし、不活性領域に属する場合はそれらを待機状態に切換える。それに伴い、選択回路5を介してクロスバー回路4に基準電圧Vrefを印加させる。選択回路5及び判定回路6は入力判定部に相当する。尚、「活性領域」,「不活性領域」については後程説明する。
クロスバー回路4からは、各記憶素子に設定されているコンダクタンス値に応じて電流が出力され、その電流はセンスアンプ7p及び7nにより電圧に変換される。尚、実際には、センスアンプ7はより多数設けられているが、説明の都合上図1では、対を成す2つのみを示している。センスアンプ7p及び7nにより変換された電圧は、それぞれ選択回路8p及び8nを介して差動アンプ9に入力されると共に、判定回路10にも入力される。選択回路8p及び8nは、センスアンプ7p及び7nの出力端子と差動アンプ9の入力端子との間を開閉するスイッチ等で構成される。センスアンプ7はI/V変換増幅回路に相当し、判定回路10は出力判定部に相当する。
差動アンプ9の出力信号は、A/Dコンバータ11によりA/D変換され、デジタルデータとして出力される。この出力データData_outに対しては、ニューラルネットワーク回路の活性化関数として、例えば図2に示す次式のランプ関数f(x)が適用される。
f(x)=max(0,x) …(1)
このランプ関数f(x)は正極性である。その後、出力されたデータは、次段のアナログ積和演算回路1に入力される。
判定回路10は、センスアンプ7p及び7nの出力信号を参照し、判定回路6と同様に差動アンプ9の出力信号レベルが活性領域に属するか、不活性領域に属するかを判定する。そして、活性領域に属する場合は選択回路8p及び8nを閉じて差動アンプ9に信号を入力させると共に、差動アンプ9及びA/Dコンバータ11を動作状態にする。一方、前記出力信号のレベルが不活性領域に属する場合は、選択回路8p及び8nを開いて差動アンプ9に対する信号の入力を遮断すると共に、差動アンプ9及びA/Dコンバータ11を待機状態にする。
ここで、「活性領域」,「不活性領域」は、活性化関数に応じて決まる。本実施形態のランプ関数f(x)は正極性であるから、出力側の差動アンプ9の出力信号がゼロ又は負極性を示す場合、ランプ関数f(x)を適用した結果はゼロとなる。そこで、上記出力信号がゼロ又は負極性を示す場合を「不活性領域」,正極性を示す場合を「活性領域」と称する。ランプ関数f(x)の極性が負の場合は、「不活性領域」,「活性領域」が上記とは逆の関係になる。
つまり、差動アンプ9の出力信号が不活性領域に属する場合は、差動演算やA/D変換を行わずとも、関数f(x)の出力結果がゼロとなる。そして、前記出力信号が不活性領域に属するか否かは、差動入力信号を参照すれば事前に判定できる。したがって、差動アンプ9及びA/Dコンバータ11を待機状態にすることで演算回路1の消費電力を低減する。同様に、入力側においても、入力データData_inの値がゼロ又は負極性を示す不活性領域に属する場合は、演算回路1の出力データがゼロとなるので、D/Aコンバータ2及びドライブアンプ3を待機状態にして消費電力を低減する。
演算回路1をより具体的な構成で示す図3では、クロスバー回路4を構成する記憶素子G11,G12,G21,G22は、何れもメモリスタである。尚、実際には、クロスバー回路4はより多数の記憶素子Gを備えている。本実施形態では、入力データData_inが極性ビットを持たないことを前提としている。判定回路6は、入力データData_inの各ビットが入力端子に接続されたORゲートで構成され、D/Aコンバータ2及びドライブアンプ3は、ORゲートの出力信号により動作状態と待機状態とが切り換えられる。選択回路5は、基準電圧Vrefの電圧源とドライブアンプ3の出力端子との間を開閉するスイッチ回路である。
すなわち、入力データData_inの何れかのビット値が「1」であれば判定回路6の出力信号はハイレベルになり、D/Aコンバータ2及びドライブアンプ3は動作状態に維持され、選択回路5はオフしている。そして、全ビット値がゼロであれば判定回路6の出力信号がローレベルになることで、D/Aコンバータ2及びドライブアンプ3は待機状態に切り換えられ、選択回路5はオンに切り換わる。クロスバー回路4は、基準電圧Vrefが印加されることで電力を消費しない状態になる。
演算回路1の出力側では、判定回路10はコンパレータで構成され、センスアンプ7p,7nの出力信号Vp1,Vn1を比較する。Vp1>Vn1であれば、差動アンプ9の出力信号の極性は正となり活性領域に属する。したがって、差動アンプ9及びA/Dコンバータ11を動作状態に維持し、選択回路8をオンにする。一方、Vp1≦Vn1であれば、差動アンプ9の出力信号はゼロ又は負極性となり不活性領域に属する。したがって、差動アンプ9及びA/Dコンバータ11を待機状態に切換え、選択回路8をオフにする。
以上のように本実施形態によれば、ニューラルネットワーク回路を構成する演算回路1は、メモリスタG11〜G22が記憶素子である記憶部としてのクロスバー回路4を備え、活性化関数として正極性のランプ関数f(x)を使用する。差動アンプ9は、対を成す2つのセンスアンプ7p,7nの出力について差動演算を行い、A/Dコンバータ11は、前記演算の結果をA/D変換する。
そして、判定回路10は、差動アンプ9の入力信号を参照し、ランプ関数f(x)の極性に応じて差動アンプ9の出力信号の値が活性領域に属するか不活性領域に属するかを判定し、その判定結果に基づき差動アンプ9及びA/Dコンバータを動作状態と待機状態とに切り換える。すなわち、差動アンプ9の出力信号レベルが不活性領域に属する際に、動作させる必要が無くなる差動アンプ9及びA/Dコンバータを動作状態から待機状態に切り換えることで、一般的に不活性状態となる確率が高いニューラルネットワーク回路の演算回路1について、消費電力を低減できる。
また、センスアンプ7p,7nの出力端子と、差動アンプ9の入力端子との間に配置されるスイッチ回路からなる選択回路8を備え、判定回路10は、差動アンプ9を待機状態に切換える際には、前記スイッチ回路をオンからオフにする。これにより、センスアンプ7より差動アンプ9側に流入する電流を遮断して、消費電力をより低減できる。
更に、判定回路6は、入力データData_inが不活性領域に属する際には、動作させる必要が無いD/Aコンバータ2及びドライブアンプ9を動作状態から待機状態に切り換えるので、消費電力を更に低減できる。加えて、判定回路6は、前記待機状態に切り換える際には、クロスバー回路4に対し、電力を消費させないように基準電圧Vrefを印加するので、消費電力を一層低減できる。
(第2実施形態)
以下、第1実施形態と同一部分には同一符号を付して説明を省略し、異なる部分について説明する。第2実施形態は、入力データData_inが極性ビットを持つことを前提としている。MSBの配置される極性ビットは、データ値が正であれば「1」となり、データ値が負又はゼロであれば「0」になるものとする。この場合、図4に示すように、判定回路6のORゲートに替えて、正転電圧バッファ12を用い、極性ビットの値に応じて各部の動作状態,待機状態の切り換えを行う。尚、極性ビットが2の補数表現の場合は、反転バッファを用いれば良い。
以上のように第2実施形態によれば、入力データData_inが極性ビットを有している際に入力判定部として電圧バッファ12を用い、極性ビットの値を参照して各部の動作状態と待機状態とを切り換える判定を行うようにしたので、よりサイズが小さい回路で入力側の判定を行うことができる。
(その他の実施形態)
選択回路8は、必要に応じて設ければ良い。
本開示は、実施例に準拠して記述されたが、本開示は当該実施例や構造に限定されるものではないと理解される。本開示は、様々な変形例や均等範囲内の変形をも包含する。加えて、様々な組み合わせや形態、さらには、それらに一要素のみ、それ以上、あるいはそれ以下、を含む他の組み合わせや形態をも、本開示の範疇や思想範囲に入るものである。
図面中、1はアナログ積和演算回路、2はD/Aコンバータ、3はドライブアンプ、4はメモリスタクロスバー回路、5は選択回路、6は判定回路、7はセンスアンプ、8は選択回路、9は差動アンプ、10は判定回路、11はA/Dコンバータである。

Claims (5)

  1. 活性化関数としてランプ関数を使用するもので、
    可変抵抗素子であるメモリスタ(G)を記憶素子として、前記記憶素子を格子状に結合してなり、印加電圧により駆動される記憶部(4)と、
    前記記憶素子を介して流れる電流を電圧に変換して出力する複数のI/V変換増幅回路(7)と、
    対を成す2つのI/V変換増幅回路(7p,7n)の出力について、差動演算を行う差動増幅回路(9)と、
    この差動増幅回路の演算結果をA/D変換するA/Dコンバータ(11)と、
    前記差動増幅回路の入力信号を参照し、前記ランプ関数の極性の正負に応じて当該差動増幅回路の出力信号の値が活性領域に属するか不活性領域に属するかを判定し、当該判定結果に基づき当該差動増幅回路及び前記A/Dコンバータを動作状態と待機状態とに切り換える出力判定部(10)とを備えるニューラルネットワーク回路。
  2. 前記2つのI/V変換増幅回路の出力端子と、前記差動増幅回路の入力端子との間に配置されるスイッチ回路(8p,8n)を備え、
    前記出力判定部は、前記差動増幅回路を待機状態に切換える際には、前記スイッチ回路をオンからオフにする請求項1記載のニューラルネットワーク回路。
  3. 入力データを電圧に変換するD/Aコンバータ(2)と、
    前記電圧を前記記憶部に印加するドライブアンプ(3)とを備え、
    前記入力データを参照し、前記ランプ関数の極性の正負に応じて当該入力データの値が活性領域に属するか不活性領域に属するかを判定し、当該判定結果に基づき前記D/Aコンバータ及び前記ドライブアンプを動作状態と待機状態とに切り換える入力判定部(5,6又は12)とを備える請求項1又は2記載のニューラルネットワーク回路。
  4. 前記入力判定部(5,6)は、前記待機状態に切り換える際には、前記記憶部に対し、電力を消費させないように基準電圧を印加する請求項3記載のニューラルネットワーク回路。
  5. 前記入力データが極性ビットを有している際に、
    前記入力判定部(12)は、前記極性ビットの値を参照して前記判定を行う請求項3又は4記載のニューラルネットワーク回路。
JP2017055744A 2017-03-22 2017-03-22 ニューラルネットワーク回路 Active JP6794891B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2017055744A JP6794891B2 (ja) 2017-03-22 2017-03-22 ニューラルネットワーク回路
PCT/JP2018/002285 WO2018173472A1 (ja) 2017-03-22 2018-01-25 ニューラルネットワーク回路
US16/561,207 US11487992B2 (en) 2017-03-22 2019-09-05 Neural network circuit

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017055744A JP6794891B2 (ja) 2017-03-22 2017-03-22 ニューラルネットワーク回路

Publications (2)

Publication Number Publication Date
JP2018160007A JP2018160007A (ja) 2018-10-11
JP6794891B2 true JP6794891B2 (ja) 2020-12-02

Family

ID=63584382

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017055744A Active JP6794891B2 (ja) 2017-03-22 2017-03-22 ニューラルネットワーク回路

Country Status (3)

Country Link
US (1) US11487992B2 (ja)
JP (1) JP6794891B2 (ja)
WO (1) WO2018173472A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180136202A (ko) * 2017-06-14 2018-12-24 에스케이하이닉스 주식회사 컨볼루션 신경망 및 컨볼루션 신경망을 가진 신경망 시스템
US10831860B2 (en) * 2018-10-11 2020-11-10 International Business Machines Corporation Alignment techniques to match symmetry point as zero-weight point in analog crosspoint arrays
US10891222B2 (en) * 2018-12-24 2021-01-12 Macronix International Co., Ltd. Memory storage device and operation method thereof for implementing inner product operation
CN110033082B (zh) * 2019-03-19 2021-05-18 浙江工业大学 一种识别ai设备中深度学习模型的方法
US11531898B2 (en) * 2019-05-16 2022-12-20 International Business Machines Corporation Training of artificial neural networks
KR20210000987A (ko) 2019-06-26 2021-01-06 삼성전자주식회사 아날로그-디지털 컨버터 및 이를 포함하는 뉴로모픽 컴퓨팅 장치
US10726331B1 (en) 2019-08-26 2020-07-28 International Business Machines Corporation Neural network circuits providing early integration before analog-to-digital conversion
CN110932399B (zh) * 2019-11-28 2022-02-25 上海宏力达信息技术股份有限公司 一种电网的智能开关调控方法、系统、储存介质及终端
EP3839833A1 (en) * 2019-12-16 2021-06-23 ams International AG Neural amplifier, neural network and sensor device
US20230082313A1 (en) * 2020-02-21 2023-03-16 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device and electronic device
CN113656751B (zh) * 2021-08-10 2024-02-27 上海新氦类脑智能科技有限公司 无符号dac实现有符号运算的方法、装置、设备和介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5376920B2 (ja) 2008-12-04 2013-12-25 キヤノン株式会社 コンボリューション演算回路、階層的コンボリューション演算回路及び物体認識装置
JP5659361B1 (ja) * 2013-07-04 2015-01-28 パナソニックIpマネジメント株式会社 ニューラルネットワーク回路、およびその学習方法
JP6180318B2 (ja) 2013-12-27 2017-08-16 ソニーセミコンダクタソリューションズ株式会社 コンパレータ回路
JP6501146B2 (ja) * 2014-03-18 2019-04-17 パナソニックIpマネジメント株式会社 ニューラルネットワーク回路およびその学習方法
JP6708146B2 (ja) * 2017-03-03 2020-06-10 株式会社デンソー ニューラルネットワーク回路

Also Published As

Publication number Publication date
JP2018160007A (ja) 2018-10-11
WO2018173472A1 (ja) 2018-09-27
US20190392289A1 (en) 2019-12-26
US11487992B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
JP6794891B2 (ja) ニューラルネットワーク回路
KR102462792B1 (ko) 아날로그 복소 벡터 매트릭스 곱셈을 수행하는 방법 및 시스템
US20200356848A1 (en) Computing circuitry
US11966833B2 (en) Accelerating neural networks in hardware using interconnected crossbars
CN111448573B (zh) 用于混合信号计算的系统和方法
US10891222B2 (en) Memory storage device and operation method thereof for implementing inner product operation
WO2021004466A1 (zh) 一种基于多位并行二进制突触阵列的神经形态计算电路
US8514123B2 (en) Compact SAR ADC
CN111125616B (zh) 一种二维离散傅里叶变换运算电路及运算方法
US11922169B2 (en) Refactoring mac operations
WO2018173473A1 (ja) ニューラルネットワーク回路
CN111052153A (zh) 使用半导体存储元件的神经网络运算电路及动作方法
WO2023142883A1 (zh) 存算一体运算方法、忆阻器神经网络芯片及存储介质
US20200327401A1 (en) Computing circuitry
KR20200103262A (ko) 비트라인의 전하 공유에 기반하는 cim 장치 및 그 동작 방법
US11783171B2 (en) Computing circuitry
US7675450B1 (en) Digital-to-analog converter (DAC) for high frequency and high resolution environments
KR102664009B1 (ko) 리셋을 스킵하는 아날로그 디지털 변환기 및 아날로그 디지털 변환 방법
JP7124498B2 (ja) ニューラルネットワーク回路
CN114281149B (zh) Rram阵列求和运算电路及方法
US20220351032A1 (en) Memory for Artificial Neural Network Accelerator
Kiyoyama et al. Design for 3-D Stacked Neural Network Circuit with Cyclic Analog Computing
JP6996411B2 (ja) ニューラルネットワーク回路
Moriyasu et al. A deep dynamic binary neural network and its application to matrix converters
CN110991623B (zh) 基于数模混合神经元的神经网络运算系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190522

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200707

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200722

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: 20201013

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201026

R151 Written notification of patent or utility model registration

Ref document number: 6794891

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250