JPWO2018034163A1 - 積和演算装置 - Google Patents

積和演算装置 Download PDF

Info

Publication number
JPWO2018034163A1
JPWO2018034163A1 JP2018534339A JP2018534339A JPWO2018034163A1 JP WO2018034163 A1 JPWO2018034163 A1 JP WO2018034163A1 JP 2018534339 A JP2018534339 A JP 2018534339A JP 2018534339 A JP2018534339 A JP 2018534339A JP WO2018034163 A1 JPWO2018034163 A1 JP WO2018034163A1
Authority
JP
Japan
Prior art keywords
sum
value
product
load
timing
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.)
Granted
Application number
JP2018534339A
Other languages
English (en)
Other versions
JP6876220B2 (ja
Inventor
森江 隆
隆 森江
権 王
権 王
権 田向
権 田向
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.)
Sony Corp
Original Assignee
Sony 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 Sony Corp filed Critical Sony Corp
Publication of JPWO2018034163A1 publication Critical patent/JPWO2018034163A1/ja
Application granted granted Critical
Publication of JP6876220B2 publication Critical patent/JP6876220B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06GANALOGUE COMPUTERS
    • G06G7/00Devices in which the computing operation is performed by varying electric or magnetic quantities
    • G06G7/48Analogue computers for specific processes, systems or devices, e.g. simulators
    • G06G7/60Analogue computers for specific processes, systems or devices, e.g. simulators for living beings, e.g. their nervous systems ; for problems in the medical field
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06GANALOGUE COMPUTERS
    • G06G7/00Devices in which the computing operation is performed by varying electric or magnetic quantities
    • G06G7/12Arrangements for performing computing operations, e.g. operational amplifiers
    • G06G7/16Arrangements for performing computing operations, e.g. operational amplifiers for multiplication or division
    • 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
    • G06N3/048Activation functions
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Power Engineering (AREA)
  • Amplifiers (AREA)
  • Feedback Control In General (AREA)
  • Complex Calculations (AREA)
  • Analogue/Digital Conversion (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

積和演算装置10において、アナログ回路11で、N+個の対となる電気信号及び正の荷重の各値に応じた大きさの電荷を第1貯留手段19に保持し、(N−N+)個の対となる電気信号及び負の荷重の絶対値の各値に応じた大きさの電荷を第2貯留手段27に保持し、N+個の電気信号の値それぞれに対応した正の荷重をそれぞれ乗算して求めたN+個の乗算値の和を、第1貯留手段19に保持された電圧が第1閾値に達したのを検出して算出し、(N−N+)個の電気信号の値それぞれに対応した負の荷重の絶対値をそれぞれ乗算して求めた(N−N+)個の乗算値の和を、第2貯留手段27に保持された電圧が第2閾値に達したのを検出して算出し、N+個の乗算値の和から(N−N+)個の乗算値の和を減算してN個の乗算値の和を得る。

Description

本発明は、積和演算を行う積和演算装置に関する。
積和演算は、複数の入力値それぞれに荷重(重み)を付けて加算する演算であり、例えばニューラルネットワークによって画像や音声を認識するために利用される。積和演算処理には、多層パーセプトロン型のニューラルネットワークモデルを用いることができる。当該処理は、汎用のデジタル計算機や、デジタル方式の専用集積回路によってなすことが可能であり、デジタル方式の専用集積回路を利用した具体例が非特許文献1に記載されている。非特許文献1に記載の例は、ニューラルネットワークの1つの方式であるスパイキングニューロンモデルを利用したものである。スパイキングニューロンモデルによる積和演算については非特許文献2に記載されている。
ここで、積和演算処理の低消費電力化の観点においては、アナログ方式の集積回路がデジタル方式の集積回路に比べて好適であると考えられている。生物(究極的には人)の脳と同等の集積度及び消費電力の実現のために、アナログ方式の集積回路の採用が研究されており、その内容が非特許文献3に記載されている。
しかしながら、引用文献2、3では、正の荷重と負の荷重が混在する積和演算の処理について明らかにされておらず、正の荷重と負の荷重が存在する場合に、どのようにアナログ方式の集積回路を実装すればよいかが不明であるという課題があった。
本発明は、かかる事情に鑑みてなされたもので、正の荷重と負の荷重が混在する積和演算の処理をアナログ方式によって行うことが可能な積和演算装置を提供することを目的とする。
前記目的に沿う本発明に係る積和演算装置は、与えられるN個の電気信号それぞれに荷重を対応させ、各対となる該電気信号と該荷重の各値をそれぞれ乗算して得たN個の乗算値の和を導出する一連の処理をアナログ回路で行う積和演算装置において、前記アナログ回路は、所定の期間T1内に与えられるN個の電気信号にそれぞれ正の荷重を対応させ、対となる該電気信号及び該正の荷重の各値に応じた大きさの電荷をそれぞれ出力するN個の第1出力手段と、前記N個の第1出力手段が並列接続され、該N個の第1出力手段それぞれから出力された電荷を蓄える第1貯留手段と、前記期間T1内に与えられる(N−N)個の電気信号にそれぞれ負の荷重の絶対値を対応させ、対となる該電気信号及び該負の荷重の絶対値の各値に応じた大きさの電荷をそれぞれ出力する(N−N)個の第2出力手段と、前記(N−N)個の第2出力手段が並列接続され、該(N−N)個の第2出力手段それぞれから出力された電荷を蓄える第2貯留手段と、前記N個の電気信号の値にそれぞれに対応した前記正の荷重をそれぞれ乗算して求めたN個の乗算値の和である第1積和値を、前記第1貯留手段に保持された電圧が予め定められた第1閾値に達したのを検出して算出し、前記(N−N)個の電気信号の値にそれぞれに対応した前記負の荷重の絶対値をそれぞれ乗算して求めた(N−N)個の乗算値の和である第2積和値を、前記第2貯留手段に保持された電圧が予め定められた第2閾値に達したのを検出して算出し、前記第1積和値から前記第2積和値を減算した前記N個の乗算値の和を得る積和導出手段とを備え、前記第1閾値を、前記N個の正の荷重の総和と前記期間T1の長さの積に比例した大きさとし、前記第2閾値を、前記(N−N)個の負の荷重の絶対値の総和と前記期間T1の長さの積に比例した大きさとして、前記第1積和値の導出及び前記第2積和値の導出を、前記期間T1の後で該期間T1と同じ長さの期間T2内で行う。但し、Nは2以上の自然数であり、NはN以下の自然数である。
本発明に係る積和演算装置において、値0の仮想電気信号に対応し、前記N個の正の荷重の総和と前記(N−N)個の負の荷重の絶対値の総和の差に−1を乗算した数のダミー荷重を、該N個の正の荷重の総和又は該(N−N)個の負の荷重の絶対値の総和で小さい方に追加して、前記N個の正の荷重の総和と前記(N−N)個の負の荷重の絶対値の総和を等しくし、前記第1貯留手段に保持された電圧が前記第1閾値に達した第1タイミングと前記第2貯留手段に保持された電圧が前記第2閾値に達した第2タイミングの差を基に前記N個の乗算値の和を求めるのが好ましい。
本発明に係る積和演算装置において、複数の前記アナログ回路がスイッチ機構を介して階層的に接続され、前記スイッチ機構は、前記第1タイミングが前記第2タイミングに等しい、又は、前記第1タイミングが前記第2タイミングより早い際に、下位層の前記アナログ回路が求めた前記N個の乗算値の和を上位層の前記アナログ回路に送り、前記第1タイミングが前記第2タイミングより遅い際に、0の値を上位層の前記アナログ回路に送るのが好ましい。
本発明に係る積和演算装置は、アナログ回路が、所定の期間T1内に与えられるN個の電気信号にそれぞれ正の荷重を対応させ、対となる電気信号及び正の荷重の各値に応じた大きさの電荷をそれぞれ出力するN個の第1出力手段と、N個の第1出力手段それぞれから出力される電荷を蓄える第1貯留手段と、期間T1内に与えられる(N−N)個の電気信号にそれぞれ負の荷重の絶対値を対応させ、対となる電気信号及び負の荷重の絶対値の各値に応じた大きさの電荷をそれぞれ出力する(N−N)個の第2出力手段と、(N−N)個の第2出力手段それぞれから出力される電荷を蓄える第2貯留手段と、N個の電気信号の値にそれぞれに対応した正の荷重をそれぞれ乗算して求めたN個の乗算値の和である第1積和値を、第1貯留手段に保持された電圧が第1閾値に達したのを検出して算出し、(N−N)個の電気信号の値にそれぞれに対応した負の荷重の絶対値をそれぞれ乗算して求めた(N−N)個の乗算値の和である第2積和値を、第2貯留手段に保持された電圧が第2閾値に達したのを検出して算出し、第1積和値から第2積和値を減算したN個の乗算値の和を得る積和導出手段とを備えるので、正の荷重と負の荷重が混在する積和演算の処理をアナログ方式によって行うことが可能である。また、第1積和値の導出及び第2積和値の導出を、期間T1の後で期間T1と同じ長さの期間T2内で行うことができ、アナログ回路を簡素にすることが可能である。また、正と負の荷重に関する積和演算をそれぞれ同型の回路で独立に実行することから、一方向の電荷移動のみとなり、回路動作を低消費電力にすることができる。
(A)、(B)はそれぞれ、本発明の第1の実施例に係る積和演算装置が備えるアナログ回路の説明図、及び、アナログ回路による算出対象値の算出タイミングを示す説明図である。 同積和演算装置を示す説明図である。 アナログ回路の参考例を示す説明図である。 同積和演算装置が備えるアナログ回路の回路図である。 演算部の変形例の説明図である。 同積和演算装置が有する演算部の説明図である。 (A)、(B)、(C)はそれぞれ、同積和演算装置が有するアナログ回路、アナログ回路の第1の変形例及びアナログ回路の第2の変形例を示す回路図である。 本発明の第2の実施例に係る積和演算装置の説明図である。 ReLU関数回路の説明図である。 シミュレーションに適用された荷重及び電気信号を示す説明図である。 ダミー荷重が不要な回路の説明図である。 抵抗を切替スイッチで切り替える回路の説明図である。
続いて、添付した図面を参照しつつ、本発明を具体化した実施例につき説明し、本発明の理解に供する。
図1(A)、(B)、図2に示すように、本発明の第1の実施例に係る積和演算装置10は、各アナログ回路11に対して与えられるN個の電気信号Iそれぞれに荷重(重み)wを対応させ、各対となる電気信号Iと荷重wの各値を乗算して得たN個の乗算値の和を導出する一連の処理をアナログ回路11で行う装置である。但し、Nは2以上の自然数であり、iはN以下の自然数(i=1、2、・・・、N)である。以下、これらについて詳細に説明する。
電気信号I(以下、単に「電気信号」として示す)が表わす値をxとし、所定の期間T1内にN個の電気信号(本実施例ではパルス信号)が1つのアナログ回路11に与えられるとして、アナログ回路11の算出対象値(即ち、N個の乗算値の和)は以下のように示される。
Figure 2018034163
積和演算装置10は、図2に示すように、複数の階層それぞれに複数のアナログ回路11が設けられた構造を具備し、最下位の層の複数のアナログ回路11はそれぞれ、複数の入力部12から与えられるN個(複数)の電気信号(本実施例ではパルス信号)が表わす値x及び各電気信号に適用する荷重wを基に算出対象値を求め、その算出対象値を表わす電気信号を上位層のアナログ回路11に送る。
上位層のアナログ回路11は、最下位層(即ち、下位層)の複数のアナログ回路11から送られた電気信号の値にそれぞれ荷重wを対応させて算出対象値を求め、その算出対象値を表わす電気信号を更なる上位層にあるアナログ回路11に送る。本実施例では、積和演算装置10がニューラルネットワークに適用可能に設計されており、下位層のアナログ回路11で求めた算出対象値を基に上位層のアナログ回路11で算出対象値を求めるという処理を複数回行って、例えば、画像の認識等を行う。
先ず、アナログ回路11と基本的に同じ処理を行って算出対象値を求める参考例に係るアナログ回路11aの構成及びアナログ回路11aが行う処理について、電気信号が表わす値xが0以上1以下の変数であるとして説明する。なお、荷重wには正の値である正の荷重wiと負の値である負の荷重wiが存在するが(それらは独立に計算するので)、アナログ回路11aでは、荷重wに正の荷重wiと負の荷重wiの区別がないものとして扱う。
アナログ回路11aは、図3に示すように、期間T1内に与えられるN個の電気信号にそれぞれ荷重wiを対応させ、各対となる電気信号及び荷重wiの各値に応じた大きさの電荷をそれぞれ出力するN個の出力手段13と、N個の出力手段13が並列接続され、N個の出力手段13それぞれから出力された電荷を蓄える貯留手段14を備えている。
各出力手段13は、電気信号が与えられる入力端子15、入力端子15に直列接続された抵抗16及び抵抗16に直列接続されたダイオード17を有している。各出力手段13の荷重wiの大きさは、各抵抗16の抵抗値によって決めることができる。
各出力手段13には、入力端子15に期間T1内の異なるタイミングで異なる大きさの電気信号が与えられる。
期間T1の長さをTinとし、出力手段13の入力端子15に電気信号が与えられるタイミングをtとして、アナログ回路11aにおいては、以下の式1を用いて、入力端子15に与えられる電気信号が表わす値xが、図1(B)に示すように、電気信号が与えられるタイミングtに変換される。
Figure 2018034163
そして、電気信号が与えられたタイミングtから発生し、時間tの経過に比例して増加あるいは減少する波形を応答波形Wとすると(図1(B)参照)、各出力手段13から貯留手段14に供給される電荷量P(t)は、応答波形Wの大きさで表わすことができる。応答波形Wの時間tの経過に対する増減の傾きをkとすると、荷重wiは、以下の式2よりkに変換できる。
Figure 2018034163
なお、λは正の定数である。
ここで、図1(B)に示すように、全ての応答波形Wを足し合わした波形を合成波形TWとすると、合成波形TWの大きさはP(t)、P(t)、P(t)、・・・、P(t)の総和であり、これは貯留手段14に蓄えられている電荷によって生じる電圧に等しい。合成波形TWの大きさ、即ち貯留手段14に保持されている電圧をV(t)とし、V(t)が予め定められた閾値(その閾値の大きさをθとする)に達した際に、貯留手段14に保持されていた電圧に相当するパルス信号が出力されるとし、V(t)が閾値θに達するタイミングをtνとすると、以下の式3が得られる。
Figure 2018034163
そして、βを荷重wiの総和とすると、βは以下の式4で表わされる。
Figure 2018034163
式1〜式4から、アナログ回路11aの算出対象値は以下の式5で表わされる。
Figure 2018034163
ここで、荷重wiが全て正の値であると仮定すると、全ての入力端子15に与えられる電気信号が表わす値xが最小値0のとき、式5の左辺は0となるので、tνのタイミングは最も遅くなり、そのタイミングtν minは、以下の式6で表わされる。
Figure 2018034163
式5の左辺が0であるとは、貯留手段14に保持されていた電圧に相当する出力タイミングが最も遅いことを意味する。
一方、全ての入力端子15に与えられる電気信号が表わす値xが最大値1のとき、式5の左辺はβとなるので、tνのタイミングは最も早くなり、そのタイミングtν maxは、以下の式7で表わされる。
Figure 2018034163
式5の左辺がβであるとは、貯留手段14に蓄えられていた電荷量に相当する出力タイミングが最も早いことを意味するので、式6、式7より、貯留手段14に保持されていた電圧に相当するパルス信号が出力される期間T2は、[tν max、tν min]であり、期間T2の時間長Tνは以下の式8で与えられる。
Figure 2018034163
従って、貯留手段14に保持されていた電圧に相当するパルス信号が出力される期間T2の時間長Tνは、各出力手段13に電気信号が与えられる期間T1の時間長Tinと等しい。
各出力手段13に与えられた電気信号の全てを、アナログ回路11aの算出対象値に反映させるには、期間T1以降に期間T2が存在している必要があり、θが適切な値であることを要する。そのためには、以下の式9に示す条件が必要である。
Figure 2018034163
式9は、式7より、以下の式10に置き換えることができる。
Figure 2018034163
ここで、微小量のε(>0)を定義すると、閾値θはεを用いて以下の式11で表現できる。
Figure 2018034163
式11より、閾値θを荷重wiの総和βと期間T1の長さTinの積に比例した大きさとすることを要する。
また、式6及び式11から以下の式12が得られ、式7及び式11から以下の式13が得られる。
Figure 2018034163
Figure 2018034163
よって、期間T2の時間範囲は、式12及び式13で表わすことができる。
次に、荷重wiを正の荷重wi及び負の荷重wiで区別して算出対象値を求めるアナログ回路11について説明する。
アナログ回路11は、期間T1内に与えられるN個の電気信号に対し、N個(NはN以下の自然数)の電気信号にそれぞれ正の荷重wiを対応させ、(N−N)個の電気信号にそれぞれ負の荷重wiの絶対値を対応させる。
アナログ回路11は、図4に示すように、期間T1内に与えられるN個の電気信号について、対となる電気信号及び正の荷重wiの各値に応じた大きさの電荷をそれぞれ出力するN個の第1出力手段18と、N個の第1出力手段18が並列接続され、N個の第1出力手段18それぞれから出力された電荷を蓄える第1貯留手段19を備えている。各第1出力手段18は、各正の荷重wiに対応している。
各第1出力手段18は、電気信号が与えられる入力端子20、入力端子20にソース側が接続されたPMOSトランジスタ21及びPMOSトランジスタ21のドレイン側に接続されたダイオード(整流素子)22を有している。各第1出力手段18には、PMOSトランジスタ21にゲート電圧(バイアス電圧)を与える電圧出力端子23が接続されており、各第1出力手段18のPMOSトランジスタ21には同じ抵抗が生じた状態となっている。
本実施例において、第1貯留手段19は、キャパシタ(MOSトランジスタのゲート容量が転用できる)であり、第1貯留手段19には、第1貯留手段19に保持された電圧が予め定められた第1閾値に達したタイミング(以下、「第1タイミング」とも言う)で、パルス信号を出力する信号発信部24が接続されている。第1貯留手段19に保持された電圧の大きさは、第1貯留手段19が蓄えている電荷の量によって決まる。
そして、アナログ回路11は、期間T1内に与えられるN個(N=N−N)の電気信号にそれぞれ負の荷重wiの絶対値を対応させ、対となる電気信号及び負の荷重wiの絶対値の各値に応じた大きさの電荷をそれぞれ出力するN個の第2出力手段26と、N個の第2出力手段26が並列接続され、N個の第2出力手段26それぞれから出力された電荷を蓄える第2貯留手段27を備えている。各第2出力手段26は、各負の荷重wiに対応している。
よって、N個の第1出力手段18にN個の電気信号が与えられる期間と、N個の第2出力手段26にN個の電気信号が与えられる期間は一致している。
各第2出力手段26は、電気信号が与えられる入力端子28、入力端子28にソース側が接続されたPMOSトランジスタ29及びPMOSトランジスタ29のドレイン側に接続されたダイオード30を有している。各第2出力手段26には、PMOSトランジスタ29にゲート電圧を与える電圧出力端子31が接続されており、各第2出力手段26のPMOSトランジスタ29には同じ抵抗が生じた状態となっている。各第1出力手段18の荷重wiの大きさは、各第1出力手段18のPMOSトランジスタ21によって決まり、各第2出力手段26の荷重wiの絶対値の大きさは、各第2出力手段26のPMOSトランジスタ29によって決まる。
本実施例において、第2貯留手段27は、キャパシタ(MOSトランジスタのゲート容量が転用できる)であり、第2貯留手段27には、第2貯留手段27に保持された電圧が予め定められた第2閾値に達したタイミング(以下、「第2タイミング」とも言う)で、パルス信号を出力する信号発信部32が接続されている。第2貯留手段27に保持された電圧の大きさは、第2貯留手段27が蓄えている電荷の量によって決まる。
ここで、第1閾値の大きさをθとし、第2閾値の大きさをθとし、N個の正の荷重wiの総和をβとし、N個の負の荷重wiの絶対値の総和をβとすると、β及びβは、それぞれ以下の式14及び式15で表わされる。
Figure 2018034163
Figure 2018034163
N=N+N及びβ=β−βであるので、第1タイミングをtν とし、第2タイミングをtν として、式3より、θ及びθは、以下の式16及び式17でそれぞれ表わされる。
Figure 2018034163
Figure 2018034163
なお、式16及び式17では、λ=1とした。
従って、算出対象値(N個の乗算値の和)を正の荷重wi及び負の荷重wiで分けると、以下の式18及び式19が得られる。
Figure 2018034163
Figure 2018034163
本実施例では、式18で算出される値を第1積和値(N個の電気信号の値に対応する正の荷重wiをそれぞれ乗算して求めたN個の乗算値の和)とし、式19で算出される値を第2積和値(N個の電気信号の値に対応する負の荷重wiの絶対値をそれぞれ乗算して求めたN個の乗算値の和)として、アナログ回路11は、図4に示すように、第1積和値から第2積和値を減算して算出対象値を導出する演算部33を備えている。演算部33は、信号発信部24、32に接続され、信号発信部24からパルス信号が送信されたのを検出して、第1積和値を算出し、信号発信部32からパルス信号が送信されたのを検出して、第2積和値を算出する。
即ち、演算部33は、第1貯留手段19に保持された電圧が第1閾値θに達したのを検出して第1積和値を算出し、第2貯留手段27に保持された電圧が第2閾値θに達したのを検出して第2積和値を算出する。そして、演算部33は、第1積和値から第2積和値を減算した算出対象値を得る。本実施例では、主として、信号発信部24、32及び演算部33によって、算出対象値を導出する積和導出手段34が構成されている。
算出対象値を得るための式は以下の式20で表わされる。
Figure 2018034163
ここで、演算部33が第1積和値及び第2積和値を期間T2で算出するとして、各第1出力手段18に与えられた全ての電気信号及び各第2出力手段26に与えられた全ての電気信号を算出対象値に反映させるには、期間T1以降に期間T2が存在している必要がある。期間T1の時間長及び期間T2の時間長は共にTinである。そして、そのためには第1閾値θ及び第2閾値θがそれぞれ、以下の式21及び式22の式を満たすことが必要となる。
Figure 2018034163
Figure 2018034163
式21及び式22より、第1閾値θをN個の荷重wiの総和βと期間T1の長さTinの積に比例した大きさとし、第2閾値θをN個の荷重wiの絶対値の総和βと期間T1の長さTinの積に比例した大きさとすることで、各第1出力手段18に与えられた全ての電気信号及び各第2出力手段26に与えられた全ての電気信号を算出対象値に反映できることが分かる。本実施例では、式21及び式22がそれぞれ成立するようにθ及びθの値を定めている。
また、式20の右辺には、tν 及びβの積と、tν 及びβの積が存在することから、式20を基に算出対象値を算出するには、演算部において、図5に示すようなアナログ式の回路ユニット35が正の荷重wi及び負の荷重wiにそれぞれ必要となり、複雑な回路構成を要することとなる。なお、図5に示す回路ユニット35は式18に対応して正の荷重wi用のもので、θとβ(Tin−tν )に比例する電荷をキャパシタ36に蓄えることができる。
そこで、本実施例では、演算部33の回路構成を簡素にすべく、値0の仮想電気信号に対応し、β(即ち、N個の正の荷重wiの総和)とβ(即ち、N個の負の荷重wiの絶対値の総和)の差に−1を乗算したダミー荷重w(wは以下の式23で表わされる)の絶対値をβ及びβのうち小さい方に追加する。
Figure 2018034163
ダミー荷重wの追加によって、βとβが等しくなる。このとき、β=βであり、式21、22よりθ=θであるので、β=β=βとして式20は以下の式24に置き変えられる。
Figure 2018034163
式24より、正の荷重wi及び負の荷重wiが混在している場合において、第1タイミングと第2タイミングの差を基に算出対象値が求められる。
演算部33は、図6に示すように、ANDゲート38、βの大きさの電流を供給する電流供給端子39、スイッチ40及びキャパシタ41を有している。ANDゲート38は、第1貯留手段19に保持された電圧が第1閾値θに達した状態(INがオン状態)で、第2貯留手段27に保持された電圧が第2閾値θに達していない状態(INがオフ状態)の期間でのみ、スイッチ40によって電流供給端子39をキャパシタ41に接続して、電流供給端子39からの電流がキャパシタ41に供給されるようにする。これによって、キャパシタ41には、β{(tν )−(tν )}に比例する電荷が充電されるため、β{(tν )−(tν )}に比例する大きさの電圧を得ることができ、式24による算出対象値の導出が可能となる。
本実施例では、図4、図7(A)に示すように、各PMOSトランジスタ21のソースに各入力端子20からの電気信号を異なるタイミングで供給し、各PMOSトランジスタ21のゲートに1つの電圧出力端子23から電圧を与えるようにするようにしたが、これに限定されない。
例えば、図7(B)に示すように、各PMOSトランジスタ21のゲートに各入力端子20からの電気信号(電圧)を異なるタイミングで与え、各PMOSトランジスタ21のソースに1つの電圧出力端子23から電気信号(電圧)を与えて、各第1出力手段42の抵抗値を変えるようにしてもよい。あるいは、図7(C)に示すように、可変抵抗43を設けた第1出力手段44を採用して、各第1出力手段44の入力端子20に異なるタイミングで同じ大きさの電気信号(電圧パルス)を与えるようにしてもよい。
図7(A)、(B)に示すように、アナログ回路にMOSトランジスタを用いる場合、以下に述べるように、入力端子と出力端子の電圧の相違から自動的に逆流を防止できるので、ダイオードが不要にできる利点がある。即ち、例えば、各PMOSトランジスタ21の閾値電圧が−0.7Vであるとき、電圧出力端子23に0.6Vを印加し、入力端子20に電圧を所定のタイミングで0Vから1Vに立ち上げるステップ電圧を与えるとする。信号発信部24の検出閾値θを0.3Vとしたとき、第1貯留手段19であるキャパシタの端子電圧は0Vから0.3Vまでの値になる。このとき、ステップ電圧が1Vのときは、入力端子20側がPMOSトランジスタ21のソース、キャパシタ端子側がドレインになるため、ゲート、ソース間電圧は−0.4Vであり、PMOSトランジスタ21はサブスレッショルド領域で電流が流れる。一方、ステップ電圧が0Vのときは、入力端子20側がドレインとなり、キャパシタ端子側がソースとなるため、ゲート、ソース間電圧は+0.3Vから+0.6Vとなり、電流はほとんど流れない。このように、MOSトランジスタのみで逆流防止機能が実現され、ダイオードを挿入する必要がなくなる。
また、本発明はスパイクパルスで情報を表わすスパイキングニューラルネットワークモデルに適用することができる。以下、スパイキングニューラルネットワークモデルに適用可能な本発明の第2の実施例に係る積和演算装置50を図8、図9を参照して説明する。なお、積和演算装置50において、積和演算装置10と同様の構成については、同じ符号を付して詳しい説明を省略する。
積和演算装置50は、図8に示すように、複数の階層それぞれに複数のアナログ回路11が設けられ、最下位層の複数のアナログ回路11には、複数の入力部12と各アナログ回路11にバイアス値を与える信号出力端子51が接続されている。
通常のニューラルネットワークモデルでは、バイアス値がニューロンに入力されることから、積和演算装置50は、信号出力端子51から1の値の電気信号をバイアス値として各アナログ回路11に与えることで、ニューロンに入力されるバイアス値を積和演算で扱うようにしている。
ニューラルネットワークモデルでは、各ニューロンが積和演算によって求めた値を以下の式25で表わされる活性化関数fによって非線形変換して上位層のニューロンに受け渡すという処理を繰り返す。
Figure 2018034163
近年の深層ニューラルネットワークモデルでは、活性化関数としていわゆるランプ関数又はReLUと称される関数(以下の式26参照)が用いられる。
Figure 2018034163
そこで、積和演算装置50では、各階層の間に、ReLU関数(活性化関数の一例)の処理を行うReLU関数回路(スイッチ機構の一例)52が設けられ、複数のアナログ回路11がReLU関数回路52を介して階層的に接続されるようにしている。
ReLU関数回路52は、下位層のアナログ回路11によって求められた算出対象値が正又は0の場合、上位層のアナログ回路11にその算出対象値を表わす電気信号をそのまま送り、下位層のアナログ回路11から出力された算出対象値が負の場合、上位層のアナログ回路11に0(零)の値を表わす電気信号を送る。
算出対象値が正である場合、tν ≦tν であることから、第1タイミングが、第2タイミングに等しいか、又は、第2タイミングより早い際に、ReLU関数回路52は、算出対象値を表わす電気信号を上位層のアナログ回路11に送り、第1タイミングが第2タイミングより遅い際に、ReLU関数回路52は、上位層のアナログ回路11に0の値を表わす電気信号を送ることとなる。
ReLU関数回路52は、例えば、図9に示す回路によって構成することができる。ReLU関数回路52は、第1貯留手段19に対応する入力端子53、スイッチ54、一定の遅延時間を発生させる遅延回路及びスイッチ54を介して入力端子53に接続される出力端子55、第2貯留手段27に対応する入力端子56及びスイッチ57、一定の遅延時間を発生させる遅延回路及びスイッチ57を介して入力端子56に接続される出力端子58を備えている。
出力端子55、58にはそれぞれスイッチ59、60が接続され、スイッチ54、57、59、60には、スイッチ54、57、59、60のオン、オフを制御する制御部61が接続されている。そして、スイッチ59、60には、スイッチ59、60がオンのとき、出力端子55、58に0値に相当する電気信号を送る信号発信部62が接続されている。
制御部61は、第1タイミングが、第2タイミングに等しいか、又は第2タイミングより早ければ、スイッチ54、57をオンとし、スイッチ59、60をオフとして、出力端子55、58から算出対象値が出力されるようにする。
そして、第1タイミングが第2タイミングより遅い際には、制御部61が、スイッチ54、57をオフとし、スイッチ59、60をオンとして、出力端子55、58から0値を表わす電気信号が出力されるようにする。
また、ダミー荷重を採用する理由は、正と負の荷重それぞれの総和を等しくするためである。図8に示すような複数の階層のニューラルネットワークの場合、最下位の層からその上位層への入力は単一信号線であるが、それより上位の階層間の接続では必ず正負荷重に対応した一対の信号線が必要になる。正荷重用と負荷重用それぞれの信号線を設けることによって、自動的に正負の荷重の総和を等しくするという条件を満たし、ダミー荷重が不要となる。
更に、最下層からの信号線を一対にすることによっても、ダミー荷重が不要となる。即ち、図11に示すように、入力線と、荷重としての抵抗(またはMOSトランジスタ)を介した出力線とからなる対を複数設け、各対において、入力線又は出力線に荷重wに相当する抵抗値を接続すれば、ダミー荷重を設けなくてもよい。なお、図11では、簡単化のため、逆流防止のダイオードの記載を省略している。最下層への入力では、式1に示したように、入力値xに対応するタイミングtと入力値0に対応するタイミングTinを対として、入力信号線を構成する。
そして、図12に示すように、抵抗(又はMOSトランジスタ)を切替スイッチ63で切り替える構成とすることで、正負の荷重を切り替えることも容易になる。第1の実施例に係る積和演算装置10は積和演算を実行する構成のみを備えているが、学習機能を外部で行い、それに従って、荷重値を更新していく場合、正荷重から負荷重、又はその逆に更新する場合も発生する。図12に記載の例では、それを切替スイッチ63の切り替えのみで実現できるので、実装がきわめて容易になる。なお、多層のネットワークでタイミングを伝搬していく場合、式24に示したように、積和演算の結果はタイミングに係数β/Tinを乗じたものであるので、次の上位層への荷重セットをこの係数の逆数で規格化することにより、荷重値が発散していくことがないようにすることができる。
また、上述した実施例で、荷重値として用いた抵抗、MOSトランジスタ又は切替スイッチには、抵抗値や閾値を可変とするために、抵抗変化型メモリ素子や、強誘電ゲート型MOSトランジスタ等の不揮発性メモリ素子を適用することが効果的である。
実験例
次に、本発明の効果を確認するために行った数値シミュレーション実験について説明する。
本シミュレーションでは、アナログ回路に対し電気信号を与える500個の入力部とバイアス値を与える信号出力端子が接続された積和演算装置でダミー荷重を採用する場合と、ダミー荷重を不採用の場合で、算出対象値の値が等しくなるかを確認した。
各正の荷重、各正の荷重に対応する電気信号の値、各負の荷重及び各負の荷重に対応する電気信号の値は、図10(a)、(b)、(c)、(d)にそれぞれ示す通りである。なお、バイアス電圧に対応する荷重及びバイアス電圧の値そのものは、図10(c)、(d)にそれぞれ含んで記載している。
シミュレーションの結果、ダミー荷重を採用する場合及びダミー荷重を不採用の場合のいずれも、算出対象値が4.718となり、算出対象値が等しくなることが確認できた。
以上、本発明の実施例を説明したが、本発明は、上記した実施例に限定されるものでなく、要旨を逸脱しない条件の変更等は全て本発明の適用範囲である。
例えば、算出対象値を求めるために、必ずしもダミー荷重を採用しなくてもよい。ダミー荷重を採用しない場合、式20を基に算出対象値を求める回路を設ければよい。
また、活性化関数による処理は必ずしも必要ではない。
本発明に係る積和演算装置は、ニューラルネットワークの演算性能を向上でき、IoTセンシングエッジ端末等への応用展開が期待される。
10:積和演算装置、11、11a:アナログ回路、12:入力部、13:出力手段、14:貯留手段、15:入力端子、16:抵抗、17:ダイオード、18:第1出力手段、19:第1貯留手段、20:入力端子、21:PMOSトランジスタ、22:ダイオード、23:電圧出力端子、24:信号発信部、26:第2出力手段、27:第2貯留手段、28:入力端子、29:PMOSトランジスタ、30:ダイオード、31:電圧出力端子、32:信号発信部、33:演算部、34:積和導出手段、35:回路ユニット、36:キャパシタ、38:ANDゲート、39:電流供給端子、40:スイッチ、41:キャパシタ、42:第1出力手段、43:可変抵抗、44:第1出力手段、50:積和演算装置、51:信号出力端子、52:ReLU関数回路、53:入力端子、54:スイッチ、55:出力端子、56:入力端子、57:スイッチ、58:出力端子、59、60:スイッチ、61:制御部、62:信号発信部、63:切替スイッチ

Claims (3)

  1. 与えられるN個の電気信号それぞれに荷重を対応させ、各対となる該電気信号と該荷重の各値をそれぞれ乗算して得たN個の乗算値の和を導出する一連の処理をアナログ回路で行う積和演算装置において、
    前記アナログ回路は、所定の期間T1内に与えられるN個の電気信号にそれぞれ正の荷重を対応させ、対となる該電気信号及び該正の荷重の各値に応じた大きさの電荷をそれぞれ出力するN個の第1出力手段と、前記N個の第1出力手段が並列接続され、該N個の第1出力手段それぞれから出力された電荷を蓄える第1貯留手段と、
    前記期間T1内に与えられる(N−N)個の電気信号にそれぞれ負の荷重の絶対値を対応させ、対となる該電気信号及び該負の荷重の絶対値の各値に応じた大きさの電荷をそれぞれ出力する(N−N)個の第2出力手段と、前記(N−N)個の第2出力手段が並列接続され、該(N−N)個の第2出力手段それぞれから出力された電荷を蓄える第2貯留手段と、
    前記N個の電気信号の値にそれぞれに対応した前記正の荷重をそれぞれ乗算して求めたN個の乗算値の和である第1積和値を、前記第1貯留手段に保持された電圧が予め定められた第1閾値に達したのを検出して算出し、前記(N−N)個の電気信号の値にそれぞれに対応した前記負の荷重の絶対値をそれぞれ乗算して求めた(N−N)個の乗算値の和である第2積和値を、前記第2貯留手段に保持された電圧が予め定められた第2閾値に達したのを検出して算出し、前記第1積和値から前記第2積和値を減算した前記N個の乗算値の和を得る積和導出手段とを備え、
    前記第1閾値を、前記N個の正の荷重の総和と前記期間T1の長さの積に比例した大きさとし、前記第2閾値を、前記(N−N)個の負の荷重の絶対値の総和と前記期間T1の長さの積に比例した大きさとして、前記第1積和値の導出及び前記第2積和値の導出を、前記期間T1の後で該期間T1と同じ長さの期間T2内で行うことを特徴とする積和演算装置。
    但し、Nは2以上の自然数であり、NはN以下の自然数である。
  2. 請求項1記載の積和演算装置において、値0の仮想電気信号に対応し、前記N個の正の荷重の総和と前記(N−N)個の負の荷重の絶対値の総和の差に−1を乗算した数のダミー荷重を、該N個の正の荷重の総和又は該(N−N)個の負の荷重の絶対値の総和で小さい方に追加して、前記N個の正の荷重の総和と前記(N−N)個の負の荷重の絶対値の総和を等しくし、前記第1貯留手段に保持された電圧が前記第1閾値に達した第1タイミングと前記第2貯留手段に保持された電圧が前記第2閾値に達した第2タイミングの差を基に前記N個の乗算値の和を求めることを特徴とする積和演算装置。
  3. 請求項2記載の積和演算装置において、複数の前記アナログ回路がスイッチ機構を介して階層的に接続され、前記スイッチ機構は、前記第1タイミングが前記第2タイミングに等しい、又は、前記第1タイミングが前記第2タイミングより早い際に、下位層の前記アナログ回路が求めた前記N個の乗算値の和を上位層の前記アナログ回路に送り、前記第1タイミングが前記第2タイミングより遅い際に、0の値を上位層の前記アナログ回路に送ることを特徴とする積和演算装置。
JP2018534339A 2016-08-19 2017-08-03 積和演算装置 Active JP6876220B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016161182 2016-08-19
JP2016161182 2016-08-19
PCT/JP2017/028247 WO2018034163A1 (ja) 2016-08-19 2017-08-03 積和演算装置

Publications (2)

Publication Number Publication Date
JPWO2018034163A1 true JPWO2018034163A1 (ja) 2019-10-10
JP6876220B2 JP6876220B2 (ja) 2021-05-26

Family

ID=61196498

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018534339A Active JP6876220B2 (ja) 2016-08-19 2017-08-03 積和演算装置

Country Status (7)

Country Link
US (2) US10831447B2 (ja)
EP (2) EP3825925B1 (ja)
JP (1) JP6876220B2 (ja)
KR (2) KR102403307B1 (ja)
CN (1) CN109923550B (ja)
TW (1) TWI620118B (ja)
WO (1) WO2018034163A1 (ja)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102403307B1 (ko) * 2016-08-19 2022-05-30 소니그룹주식회사 곱합 연산 장치
JP6773239B2 (ja) 2017-12-28 2020-10-21 Tdk株式会社 積和演算器、ニューロモーフィックデバイスおよび積和演算器の使用方法
US11797829B2 (en) 2017-12-28 2023-10-24 Tdk Corporation Product-sum operation device, neuromorphic device, and method for using product-sum operation device
WO2019131142A1 (ja) 2017-12-28 2019-07-04 Tdk株式会社 積和演算器、ニューロモルフィックデバイスおよび積和演算器の使用方法
US11442695B2 (en) 2017-12-28 2022-09-13 Tdk Corporation Product-sum operation device, neuromorphic device, and method for determining malfunction in product-sum operation device
US11429348B2 (en) 2018-03-16 2022-08-30 Tdk Corporation Multiply and accumulate calculation device, neuromorphic device, and method for using multiply and accumulate calculation device
JP2020009123A (ja) 2018-07-06 2020-01-16 ソニー株式会社 積和演算装置、積和演算回路及び積和演算方法
JP2020009240A (ja) * 2018-07-10 2020-01-16 ソニー株式会社 信号処理回路、信号処理装置及び信号処理方法
JP2020009317A (ja) 2018-07-11 2020-01-16 ソニー株式会社 信号処理回路、信号処理装置及び信号処理方法
WO2020013103A1 (ja) 2018-07-12 2020-01-16 ソニー株式会社 積和演算装置及び積和演算方法
US11836462B2 (en) 2018-07-12 2023-12-05 Sony Group Corporation Multiply-accumulate system and multiply-accumulate method
TWI799588B (zh) 2018-07-13 2023-04-21 日商索尼股份有限公司 積和運算裝置、積和運算電路、積和運算系統及積和運算方法
TWI715068B (zh) * 2018-07-17 2021-01-01 日商索尼股份有限公司 運算裝置、積和運算裝置、積和運算電路及積和運算系統
TWI831804B (zh) 2018-07-17 2024-02-11 日商索尼股份有限公司 運算裝置、積和運算裝置、積和運算系統及積和運算方法
JP7127454B2 (ja) 2018-09-26 2022-08-30 Tdk株式会社 メモリスタ回路、メモリスタ制御システム、アナログ積和演算器、及びニューロモーフィックデバイス
JP6521207B1 (ja) 2018-11-08 2019-05-29 Tdk株式会社 積和演算器、積和演算方法、論理演算デバイスおよびニューロモーフィックデバイス
JP2020126427A (ja) 2019-02-04 2020-08-20 ソニー株式会社 演算装置、積和演算システム及び設定方法
JP2020126426A (ja) 2019-02-04 2020-08-20 ソニー株式会社 演算装置、及び積和演算システム
JP2020160888A (ja) * 2019-03-27 2020-10-01 ソニー株式会社 演算装置及び積和演算システム
JP2020160887A (ja) * 2019-03-27 2020-10-01 ソニー株式会社 演算装置及び積和演算システム
JP2021002133A (ja) * 2019-06-20 2021-01-07 ソニー株式会社 演算装置及び積和演算システム
US11573792B2 (en) 2019-09-03 2023-02-07 Samsung Electronics Co., Ltd. Method and computing device with a multiplier-accumulator circuit
CN114424198A (zh) * 2019-09-17 2022-04-29 安纳富来希股份有限公司 乘法累加器
EP3839833A1 (en) * 2019-12-16 2021-06-23 ams International AG Neural amplifier, neural network and sensor device
CN115136138A (zh) * 2020-02-21 2022-09-30 株式会社半导体能源研究所 半导体装置及电子设备
CN111522527B (zh) * 2020-05-09 2022-04-29 支付宝(杭州)信息技术有限公司 防止数据寄存器饱和溢出的方法、装置及电子设备
JP2023001953A (ja) * 2021-06-22 2023-01-10 キオクシア株式会社 半導体集積回路及び演算システム
JPWO2023032158A1 (ja) * 2021-09-03 2023-03-09

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110421A (ja) * 2002-09-18 2004-04-08 Canon Inc 演算回路およびこれを用いたニューラルネットワーク
US20050160130A1 (en) * 2002-09-18 2005-07-21 Canon Kabushiki Kaisha Arithmetic circuit
JP2016099707A (ja) * 2014-11-19 2016-05-30 株式会社デンソー 演算処理装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4977604A (en) 1988-02-17 1990-12-11 Unisys Corporation Method and apparatus for processing sampled data signals by utilizing preconvolved quantized vectors
CN1013518B (zh) * 1988-05-13 1991-08-14 清华大学 射线称重方法及核子秤
EP0400147B1 (en) * 1988-08-31 1997-10-15 Fujitsu Limited Neurocomputer
US7013321B2 (en) * 2001-11-21 2006-03-14 Sun Microsystems, Inc. Methods and apparatus for performing parallel integer multiply accumulate operations
US8015229B2 (en) * 2005-06-01 2011-09-06 Atmel Corporation Apparatus and method for performing efficient multiply-accumulate operations in microprocessors
JP5076568B2 (ja) * 2007-03-12 2012-11-21 ソニー株式会社 データ処理方法、データ処理装置、固体撮像装置、撮像装置、電子機器
CN101833433B (zh) * 2010-05-04 2011-11-16 宁波大学 一种三值绝热低功耗乘法器单元及乘法器
JP2015007912A (ja) * 2013-06-25 2015-01-15 シャープ株式会社 タッチパネルコントローラ、及び電子機器
US10417554B2 (en) * 2014-05-22 2019-09-17 Lee J. Scheffler Methods and systems for neural and cognitive processing
FR3038997A1 (fr) * 2015-07-13 2017-01-20 Univ Pierre Et Marie Curie (Paris 6) Dispositif de traitement de donnees avec representation de valeurs par des intervalles de temps entre evenements
US10706922B2 (en) * 2016-01-26 2020-07-07 Hewlett Packard Enterprise Development Lp Memristive arrays with offset elements
US10853737B2 (en) * 2016-02-22 2020-12-01 The Trustees Of Princeton University Machine-learning classifier based on comparators for direct inference on analog sensor data
KR102403307B1 (ko) * 2016-08-19 2022-05-30 소니그룹주식회사 곱합 연산 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004110421A (ja) * 2002-09-18 2004-04-08 Canon Inc 演算回路およびこれを用いたニューラルネットワーク
US20050160130A1 (en) * 2002-09-18 2005-07-21 Canon Kabushiki Kaisha Arithmetic circuit
JP2016099707A (ja) * 2014-11-19 2016-05-30 株式会社デンソー 演算処理装置

Also Published As

Publication number Publication date
KR102403307B1 (ko) 2022-05-30
CN109923550B (zh) 2022-11-15
US11392349B2 (en) 2022-07-19
CN109923550A (zh) 2019-06-21
EP3502950B1 (en) 2021-02-03
KR102331382B1 (ko) 2021-11-26
KR20210142782A (ko) 2021-11-25
US20190171418A1 (en) 2019-06-06
US20210081176A1 (en) 2021-03-18
US10831447B2 (en) 2020-11-10
KR20190039506A (ko) 2019-04-12
WO2018034163A1 (ja) 2018-02-22
JP6876220B2 (ja) 2021-05-26
EP3825925B1 (en) 2023-11-08
EP3502950A1 (en) 2019-06-26
TWI620118B (zh) 2018-04-01
EP3502950A4 (en) 2019-08-28
EP3825925A1 (en) 2021-05-26
TW201810018A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
WO2018034163A1 (ja) 積和演算装置
US10255551B2 (en) Mixed-signal circuitry for computing weighted sum computation
US11042715B2 (en) Electronic system for performing a multiplication of a matrix and vector
US10671911B2 (en) Current mirror scheme for an integrating neuron circuit
US20190156181A1 (en) Neural network device and computing device
CN111448573A (zh) 用于混合信号计算的系统和方法
CN111052152A (zh) 包含仿神经元件的阵列的控制装置、离散化步长的运算方法及程序
WO2015167765A2 (en) Temporal spike encoding for temporal learning
WO2020013069A1 (ja) 積和演算装置、積和演算回路、積和演算システム、及び積和演算方法
TW202032545A (zh) 記憶體裝置及其操作方法
WO2021044821A1 (ja) 演算装置及び積和演算システム
US20150269479A1 (en) Conversion of neuron types to hardware
WO2015153150A2 (en) Probabilistic representation of large sequences using spiking neural network
Vahdat et al. LATIM: Loading-aware offline training method for inverter-based memristive neural networks
JP2020160887A (ja) 演算装置及び積和演算システム
JP2023530755A (ja) 振動性ニューラル・ネットワークのトレーニング
Kawaguchi et al. AC Operation Hardware Learning Neural Circuit Using VF Converter System
JP7358312B2 (ja) 記憶装置およびニューラルネットワーク装置
Moronfoye Machine Learning: Hardware Optimized for Machine Learning Computations Using Mixed-signal Inputs and Reconfigurable Parameters
JP2020126427A (ja) 演算装置、積和演算システム及び設定方法
JP2020160888A (ja) 演算装置及び積和演算システム
TW201918937A (zh) 類神經計算系統及其電流估計方法

Legal Events

Date Code Title Description
AA64 Notification of invalidation of claim of internal priority (with term)

Free format text: JAPANESE INTERMEDIATE CODE: A241764

Effective date: 20190423

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190617

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190731

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200720

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: 20210316

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210329

R151 Written notification of patent or utility model registration

Ref document number: 6876220

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151