KR102514649B1 - 시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치 - Google Patents

시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치 Download PDF

Info

Publication number
KR102514649B1
KR102514649B1 KR1020220071872A KR20220071872A KR102514649B1 KR 102514649 B1 KR102514649 B1 KR 102514649B1 KR 1020220071872 A KR1020220071872 A KR 1020220071872A KR 20220071872 A KR20220071872 A KR 20220071872A KR 102514649 B1 KR102514649 B1 KR 102514649B1
Authority
KR
South Korea
Prior art keywords
switching element
neuron circuit
terminal
synapse
discharge switching
Prior art date
Application number
KR1020220071872A
Other languages
English (en)
Inventor
박병국
박경철
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to PCT/KR2022/018047 priority Critical patent/WO2023090837A1/ko
Priority to US18/162,617 priority patent/US20230177322A1/en
Application granted granted Critical
Publication of KR102514649B1 publication Critical patent/KR102514649B1/ko

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Semiconductor Integrated Circuits (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명의 일 측면에 따른 뉴로모픽 장치는, 시냅스 어레이; 및 상기 시냅스 어레이에 결합되며, 상기 시냅스 어레이의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력시키는 뉴런 회로를 포함하되, 상기 뉴런 회로에서 축적된 전류를 방전시키는 동작을 수행하는 방전 스위칭 소자는 상기 시냅스 어레이를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것이다.

Description

시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치{NEUROMORPHIC DEVICE AND NEURON CIRCUIT COMPENSATING FOR CHANGES IN SYNAPTIC CHARACTERISTICS}
본 발명은 시냅스의 특성 변화를 보상할 수 있는 뉴런회로와 이를 포함하는 뉴로모픽 장치에 대한 것이다.
최근 인공신경망에 기반한 컴퓨팅 기술이 발전함과 더불어, 하드웨어 기반 뉴럴 네트워크에 대한 연구 개발도 활발하게 이루어지고 있다.
현재 널리 연구되고 있는 뉴럴 네트워크는 실제 생물학적 신경계의 모방(기억, 학습, 추론에 대한 개념)으로부터 시작되었지만, 유사한 네트워크 구조를 채택할 뿐, 신호 전달 및 정보 표현 방법, 학습 방법 등 다양한 측면에서 실제 생물학적 신경계와는 차이점이 있다.
한편, 실제 신경계와 거의 동일하게 동작하는 하드웨어 기반 스파이킹 뉴럴 네트워크 (Spiking Neural Network, SNN)는 아직 기존의 뉴럴 네트워크를 뛰어넘는 성능을 보이는 학습 방법이 개발되지 않아, 실제 산업에서 사용되고 있는 사례는 드물다. 하지만 기존 뉴럴 네트워크를 사용하여 시냅스 가중치를 도출하고 이를 활용해 SNN 방식으로 추론 한다면, 높은 정확도와 동시에 초저전력 컴퓨팅 시스템을 구현할 수 있어, 이에 대한 연구가 활발히 진행되고 있다.
이러한 SNN을 비롯한 뉴럴 네트워크를 하드웨어로 구현할 경우, 온도 변화나 시간의 경과에 따라 시냅스 어레이에 저장되는 가중치가 변화할 수 있으며, 이는 필연적으로 추론 정확도의 저하를 가져오게 된다.
본 발명에서는 이와 같은 종래 기술의 문제점을 해결하기 위해, 하드웨어 기반 뉴럴 네트워크(이하 뉴로모픽 장치라 함)에서 발생할 수 있는 시냅스 소자의 특성 변화를 고려하여 동작할 수 있는 새로운 기술을 제안한다.
대한민국 공개특허 제10-2019-0051766호(발명의 명칭: 시냅스 가중치 학습을 위한 뉴런 회로, 시스템 및 방법)
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 시냅스 소자의 특성 변화를 보상할 수 있는 뉴로모픽 장치를 제공하는데 목적이 있다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서 본 발명의 일 측면에 따른 뉴로모픽 장치는, 시냅스 어레이; 및 상기 시냅스 어레이에 결합되며, 상기 시냅스 어레이의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력시키는 뉴런 회로를 포함하되, 상기 뉴런 회로에서 축적된 전류를 방전시키는 동작을 수행하는 방전 스위칭 소자는 상기 시냅스 어레이를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것이다.
또한, 본 발명의 다른 측면에 따른, 뉴로모픽 장치에 사용되는 뉴런 회로는 시냅스 어레이에 결합되며, 상기 시냅스 어레이의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력시키는 뉴런 회로를 포함하되, 상기 뉴런 회로에서 축적된 전류를 방전시키는 동작을 수행하는 방전 스위칭 소자는 상기 시냅스 어레이를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것이다.
전술한 본원의 과제 해결 수단에 의하면, 시냅스 소자와 동종의 방전 스위칭 소자를 사용하여 충전 소자에 대한 방전 동작을 수행함으로써, 외부 환경 변화에 대해 활성 함수의 기울기를 조절할 수 있는 효과를 제공한다. 이러한 방법을 통해, 기계 학습 모델의 가중치가 저장된 시냅스 소자를 이용하여 추론을 수행하는 과정에서 정확도를 향상시키는 효과를 제공한다..
이러한 본 발명의 구성은 모든 뉴런 회로에 일반적으로 사용될 수 있으므로, 스파이킹 뉴럴 네트워크, PWM 방식을 사용하는 뉴럴 네크워크 뿐만 아니라 센서 등 모든 시스템에 적용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 활성 함수 기울기 조절의 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 회로도이다.
도 5는 본 발명의 일 실시예에 따른 뉴런 회로를 사용하는 경우의 테스트 결과를 도시한 그래프이다.
도 6은 본 발명의 일 실시예에 따른 뉴로모픽 장치의 테스트 결과를 도시한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 뉴로모픽 장치의 테스트 결과를 도시한 그래프이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본 발명의 뉴로모픽 장치는 반도체 공정을 이용하여 하드웨어적으로 사람의 뇌를 모사하도록 제조된 것으로, 뇌의 시냅스에 해당하는 시냅스 소자, 뉴런에 해당하는 뉴런 회로, 그리고 각종 주변회로를 포함하는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 블록도이다.
도시된 바와 같이 뉴로모픽 장치(100)는 뉴런 회로(100), 뉴런 회로(100)의 전단에 접속되는 시냅스 어레이(200)를 포함한다.
시냅스 어레이(200)는 뇌의 시냅스와 동일한 기능을 발휘하도록 구현된 것으로, 통상적으로는 비휘발성 메모리 소자에 기반하여 구현되고 있다. 시냅스 어레이(200)는 복수의 시냅스 셀과 대응하는 것으로, 소정의 가중치를 각각 저장하고 있다. 시냅스 어레이(200)에는 전단 뉴런 회로와 후단 뉴런 회로가 결합되는데, 전단 뉴런 회로와 후단 뉴런 회로의 개수의 곱에 해당하는 시냅스 셀을 포함할 수 있다. 시냅스 어레이(200)에 대하여 가중치를 저장하는 동작이나, 저장된 가중치를 독출하는 과정은, 일반적인 비휘발성 메모리 소자에서 수행되는 프로그램 동작 또는 독출동작과 마찬가지 원리를 통해 수행된다. 여기서, 가중치라 함은 인공 신경망 모형을 나타내는 퍼셉트론 구조 등에서 입력 신호에 곱해지는 가중치(weight)를 의미하며, 추가적으로 입력이 1인 특별한 가중치인 바이어스(bias)를 포함하는 개념으로서 정의한다.
뉴런 회로(100)는 활성 함수 모듈(110)과 기울기 조절부(120)를 포함한다. 활성 함수 모듈(110)은 인공 신경망에서 입력을 변환하는 활성 함수 (activation function)를 회로적으로 구현한 것으로서, 예를 들면, ReLU, LReLU (Leaky ReLU), PReLU (Parametric ReLU) 등의 활성 함수의 기능을 회로적으로 구현한다.
기울기 조절부(120)는 하드웨어 뉴럴 네트워크에서 발생할 수 있는 시냅스의 특성 변화를 보상하기 위한 구성이다. 예를 들어, 기울기 조절부(120)는 온도 변화와 같은 외부 환경 변화에 따라 시냅스에 저장된 가중치가 변화하는 것을 보상할 수 있다. 또한, 기울기 조절부(120)는 시간의 경과와 같은 외부 환경 변화에 따라 시냅스의 보존성(retention)이 변화하고 이에 따라 시냅스에 저장된 가중치가 변화하는 것을 보상할 수 있다.
도 2는 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 블록도이다.
도시된 바와 같이 뉴로모픽 장치(100)는 뉴런 회로(100), 시냅스 어레이(200) 를 포함한다. 이때, 뉴런 회로(100)는 활성 함수 모듈(110)과 기울기 조절부(120)의 기능을 구현하기 위한 수단으로서, 축적부(130), 발화부(140) 및 방전부(150)를 포함한다. 또한, 뉴런 회로(100)는 시냅스 어레이(200)의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력하도록 동작한다.
축적부(130)는 직전의 시냅스 등을 통해 전달되는 신호를 커패시터 등과 같은 충전 소자에 축적한다.
발화부(140)는 충전 소자의 충전 전압이 일정 레벨 이상이 되면 이를 증폭 또는 유지시켜 출력단으로 전달한다.
방전부(150)는 발화부(140)의 발화 동작시 방전 스위칭 소자를 이용하여 충전 소자를 방전시킨다. 이때, 방전 스위칭 소자는 시냅스 어레이(200)를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것을 특징으로 한다. 이러한 방전 스위칭 소자를 사용하는 배경에 대해 상세하게 살펴보기로 한다.
도 3은 본 발명의 일 실시예에 따른 활성 함수 기울기 조절의 개념을 설명하기 위한 도면이다.
앞서, 설명한 바와 같이, 본 발명에서는 시냅스 소자에 작용하는 외적 환경 변화를 보상하고자 한다. 그런데, 이러한 시냅스 특성의 변화를 매 출력 마다 체크하여 보상하는 것은 막대한 시간과 부가적인 시스템이 필요하게 되는 문제가 있다.
본 발명에서는 활성 함수의 입출력 관계에 착안하여 간편하면서도 효과적인 시냅스 변화 보상 방법을 구현하였다. 즉, 시냅스 동종 소자로 이루어진 방전부(150)를 이용하여, 활성 함수의 기울기를 조절하는 효과를 제공하고자 한다.
예를 들여, ReLU 함수의 경우 기울기가 1인 일차원 그래프를 포함하고 있으며, 이에 따라 가중치(W)가 일정 비율(1+α, 또는 1+β, 이때 α는 양수, β는 음수)만큼 변화할 경우, 종래와 같이 기울기가 고정된 경우에는 활성 함수에 의해 출력되는 값 또한 동일한 비율로 왜곡이 발생하게 된다.
이에 본 발명에서는 외부 환경 변화를 반영하여, 활성 함수의 기울기를 조절하는 효과를 제공하고자 한다. 즉, 시냅스에 저장된 가중치가 증가하는 환경 변화가 발생하는 경우에도 동일한 출력이 제공되도록, 활성함수의 기울기를 감소시키고, 시냅스에 저장된 가중치가 감소하는 환경 변화가 발생하는 경우에도 동일한 출력이 제공되도록, 활성함수의 기울기를 증가시킨다.
이를 위해, 방전을 위한 스위칭 소자를 시냅스 소자와 동일한 변화 특성을 갖는 동종 장치를 사용하게 되면, 시냅스 소자의 변화를 반영한 활성함수의 기울기 조절 효과를 제공할 수 있게 된다.
도 4는 본 발명의 일 실시예에 따른 뉴로모픽 장치의 구성을 도시한 회로도이다.
축적부(130)는 커런트 미러 회로를 구성하는 복수의 스위칭 소자(132, 134, 136, 138)와, 충전 소자로서 커패시터(C)를 포함한다. 이러한 구성을 통해, 시냅스 어레이(200)에서 출력되는 전류가 충전 소자에 축적된다. 축적부(130)의 구체적인 회로 구성은 예시적인 것으로서, 종래에 알려진 다른 형태의 회로를 통해서도 구현될 수 있다.
발화부(140)는 복수의 스위칭 소자(141, 146)와 복수의 직렬 접속된 인버터(142, 143, 144, 145)를 포함한다. 제 1 스위칭 소자(141)는 제 1 인버터(142)의 출력에 따라 스위칭 상태가 조절되고, 제 2 스위칭 소자(146)는 제 2 인버터(143)의 출력에 따라 스위칭 상태가 조절된다. 이를 통해, 충전 소자의 전압이 일정 수준 이상으로 증가하면, 제 1 스위칭 소자(141)를 통해 충전 전압이 전달되고, 이는 복수의 인버터를 통과하여, 출력 펄스 형태, 즉 스파이크 펄스가 출력된다. 이때, 제 1 스위칭 소자(141)와 제 2 스위칭 소자(142)가 각각 제 1 인버터(142)와 제 2 인버터(143)의 출력에 의해, 턴온과 턴오프 동작을 교차로 수행하게 된다.
발화부(140)의 구체적인 회로 구성은 예시적인 것으로서, 충전 전압을 기준 전압과 비교하는 비교기 또는 펄스 신호를 생성하는 회로 등을 포함하는 종래에 알려진 다른 형태의 회로를 통해서도 구현될 수 있다.
방전부(150)는 방전 스위칭 소자(152)와 커런트 미러를 구성하는 제 1 스위칭 소자(154)와 제 2 스위칭 소자(156)를 포함한다. 이때, 방전 스위칭 소자(152)는 발화부(140)의 출력단에 인가되는 전압에 의해 스위칭되는 소자로서, 이에 의해 뉴런 회로에 축적된 전류를 방전시키는 동작을 수행한다. 방전 스위칭 소자(152)의 일측 단자는 전원단자에 접속되고, 타측 단자는 제 2 스위칭 소자(156)에 접속된다. 예를 들면, 방전 스위칭 소자(152)는 발화부(140)의 출력이 게이트로 접속되는 MOS 스위칭 소자의 형태로 구현될 수 있다.
또한, 커런트 미러를 구성하는 제 1 스위칭 소자(154)는 커패시터(C)의 출력단에 일측 단자가 접속되고, 타측 단자는 접지된다. 제 2 스위칭 소자(156)는 일측 단자가 방전 스위칭 소자(152)의 타측 단자에 접속되고, 제 2 스위칭 소자(156)의 타측 단자는 접지된다.
이러한 구성을 통해, 발화부(140)가 스파이크 펄스를 출력하는 발화 동작시 출력하는 하이 레벨 신호에 응답하여, 방전 스위칭 소자(152)가 턴온되고, 커런트 미러 구성에 따라 커패시터(C)가 방전된다. 이때, 방전 스위칭 소자(152)는 시냅스 어레이(200) 와 동종의 스위칭 소자로 이루어지기 때문에, 외부 환경 변화의 영향을 동일하게 받게 되고, 그에 따라 방전 스위칭 소자(152)의 방전 특성 역시 각 시냅스 소자와 동일한 특성을 나타내게 된다.
도 5는 본 발명의 일 실시예에 따른 뉴런 회로를 사용하는 경우의 테스트 결과를 도시한 그래프이다.
외부 온도가 25°C(흑색)인 경우, 45°C(적색)인 경우, 65°C(청색)인 경우, 각 온도에 따라 충전 소자의 막전위(membrane potential)가 상승하는 기울기가 상이해짐을 확인할 수 있다. 즉, 온도가 증가함에 따라 막전위가 상승하는 기울기도 상승하게 되는데, 방전 스위칭 소자(152) 역시 동일한 온도 변화 특성을 갖는 시냅스 소자 이므로, 각 온도별로 방전되는 전류량 역시 증가하는 것을 확인할 수 있다. 즉, 외부 온도가 25°C(흑색)인 경우 방전되는 전류량이 가장 작고, 다음으로 외부 온도가 45°C(적색)인 경우 방전되는 전류량이 더 증가하며, 다음으로 외부 온도가 65°C(청색)인 경우 방전되는 전류량이 가장 크게 증가함을 확인 할 수 있다.
이와 같이 외부 환경 변화에 따라 방전 스위칭 소자(152) 역시 충전 소자의 방전 전류량을 조절함을 확인할 수 있다.
도 6과 도 7은 본 발명의 일 실시예에 따른 뉴로 모픽 장치의 테스트 결과를 도시한 그래프이다.
도 6은 시냅스가 RRAM 소자인 경우를 나타내며, 좌측 그래프에서는 온도 변화에 따라 시냅스의 전류가 변화하는 경우를 나타내고 있다. 우측 그래프에서는 종래와 같이 활성 함수의 기울기가 고정되는 기술을 사용할 경우, 뉴럴 네트워크(10개의 은닉층을 갖는 SVHN 추론 네트워크)의 정확도가 저하되는 것을 확인할 수 있다. 반면, 본 발명과 같이 온도에 따라 가중치 변화와 동일한 변화율을 갖는 동일한 종류의 방전 스위칭 소자(RRAM 소자)를 통해 충전 소자를 방전한 경우 정확도가 이상적인 상태로 회복되는 것을 확인 할 수 있다. 우측 그래프에서 청색은 초기 상태를 나타내고, 회색은 종래 기술에 따라 일정량을 방전하는 방법을 나타내며, 적색은 본 발명에 따른 결과를 나타낸다.
도 7은 시냅스가 폴리 실리콘 기반 시냅스 소자인 경우를 나타내며, 좌측 그래프에서는 시간 경과에 따라 시냅스의 전류가 변화하는 경우를 나타내고 있다. 우측 그래프에서는 종래와 같이 활성 함수의 기울기가 고정되는 기술을 사용할 경우, 뉴럴 네트워크의 정확도가 저하되는 것을 확인할 수 있다. 반면, 본 발명과 같이 시간에 따라 가중치 변화와 동일한 변화율을 갖는 동일한 종류의 방전 스위칭 소자(폴리 실리콘 기반 시냅스 소자)를 통해 충전 소자를 방전한 경우 정확도가 이상적인 상태로 회복되는 것을 확인할 수 있다. 우측 그래프에서 청색은 초기 상태를 나타내고, 회색은 종래 기술에 따라 일정량을 방전하는 방법을 나타내며, 적색은 본 발명에 따른 결과를 나타낸다.
이와 같이, 본 발명에서는 시냅스 소자와 동종의 방전 소자를 사용하여 충전 소자에 대한 방전 동작을 수행함으로써, 외부 환경 변화에 대해 활성 함수의 기울기를 조절할 수 있는 효과를 제공한다.
특히, 기계 학습 모델의 가중치가 저장된 시냅스 소자와 동종의 소자를 이용하여 추론을 수행하는 과정에서 정확도를 향상시키는 효과를 제공한다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 뉴로 모픽 장치
100: 뉴런 회로
110: 활성 함수 모듈
120: 기울기 조절부
130: 축적부
140: 발화부
150: 방전부
200: 시냅스 어레이

Claims (14)

  1. 뉴로모픽 장치에 있어서,
    시냅스 어레이; 및
    상기 시냅스 어레이에 결합되며, 상기 시냅스 어레이의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력시키는 뉴런 회로를 포함하되,
    상기 뉴런 회로에서 축적된 전류를 방전시키는 동작을 수행하는 방전 스위칭 소자는 상기 시냅스 어레이를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것이고, 상기 방전 스위칭 소자는 외부 환경 변화에 따라 상기 뉴런 회로에 의해 구현되는 활성 함수의 기울기를 조절하는 것인, 뉴로모픽 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    시냅스에 저장된 가중치가 증가하는 환경 변화가 발생하는 경우, 상기 방전 스위칭 소자의 동작에 따라 활성 함수의 기울기를 감소시키고,
    시냅스에 저장된 가중치가 감소하는 환경 변화가 발생하는 경우, 상기 방전 스위칭 소자의 동작에 따라 활성 함수의 기울기를 증가시키는 것인, 뉴로모픽 장치.
  5. 제1항 또는 제4항에 있어서,
    상기 외부 환경 변화의 요인으로서 온도 변화 또는 시간 변화를 반영하는 것인, 뉴로 모픽 장치.
  6. 제1항에 있어서,
    상기 뉴런 회로는
    상기 시냅스 어레이의 출력 전류에 따라 구동되고, 충전 소자에 상기 시냅스 어레이의 출력 전류를 충전시키는 축적부,
    상기 충전 소자의 충전전압을 출력단으로 전달하는 발화부,
    상기 발화부의 발화 동작시 상기 방전 스위칭 소자를 이용하여 상기 충전 소자를 방전시키는 방전부를 포함하는 것인, 뉴로 모픽 장치.
  7. 제6항에 있어서,
    상기 방전부는 커런트 미러를 구성하는 제 1 스위칭 소자 및 제 2 스위칭 소자와 상기 방전 스위칭 소자를 포함하되,
    상기 방전 스위칭 소자는 상기 발화부의 출력단에 의해 스위칭되는 소자이고,
    상기 제 1 스위칭 소자는 상기 충전 소자의 출력단에 일측 단자가 접속되고, 타측 단자는 접지되고,
    상기 제 2 스위칭 소자는 일측 단자가 상기 방전 스위칭 소자의 타측 단자에 접속되고, 타측 단자는 접지된 것인, 뉴로모픽 장치.
  8. 뉴로모픽 장치에 사용되는 뉴런 회로에 있어서,
    시냅스 어레이에 결합되며, 상기 시냅스 어레이의 출력 전류를 축적시키고, 축적된 값이 임계값을 초과하면 스파이크 펄스를 출력시키는 뉴런 회로를 포함하되,
    상기 뉴런 회로에서 축적된 전류를 방전시키는 동작을 수행하는 방전 스위칭 소자는 상기 시냅스 어레이를 구성하는 소자와 동종의 시냅스 소자로 이루어진 것이고, 상기 방전 스위칭 소자는 외부 환경 변화에 따라 상기 뉴런 회로에 의해 구현되는 활성 함수의 기울기를 조절하는 것인, 뉴런 회로.
  9. 삭제
  10. 삭제
  11. 제8항에 있어서,
    시냅스에 저장된 가중치가 증가하는 환경 변화가 발생하는 경우, 상기 방전 스위칭 소자의 동작에 따라 활성 함수의 기울기를 감소시키고,
    시냅스에 저장된 가중치가 감소하는 환경 변화가 발생하는 경우, 상기 방전 스위칭 소자의 동작에 따라 활성 함수의 기울기를 증가시키는 것인, 뉴런 회로.
  12. 제8항 또는 제11항에 있어서,
    상기 외부 환경 변화의 요인으로서 온도 변화 또는 시간 변화를 반영하는 것인, 뉴런 회로.
  13. 제8항에 있어서,
    상기 뉴런 회로는
    상기 시냅스 어레이의 출력 전류에 따라 구동되고, 커런트 미러 회로를 통해 충전 소자에 상기 시냅스 어레이의 출력 전류를 충전시키는 축적부,
    상기 충전 소자의 충전전압을 증폭하여 출력단으로 전달하는 발화부,
    상기 출력단의 전압에 따라 상기 충전 소자를 방전시키는 상기 방전 스위칭 소자를 포함하는 방전부를 포함하는 것인, 뉴런 회로.
  14. 제13항에 있어서,
    상기 방전부는 커런트 미러를 구성하는 제 1 스위칭 소자 및 제 2 스위칭 소자와 상기 방전 스위칭 소자를 포함하되,
    상기 방전 스위칭 소자는 상기 발화부의 출력단에 의해 스위칭되는 소자이고,
    상기 제 1 스위칭 소자는 상기 충전 소자의 출력단에 일측 단자가 접속되고, 타측 단자는 접지되고,
    상기 제 2 스위칭 소자는 일측 단자가 상기 방전 스위칭 소자의 타측 단자에 접속되고, 타측 단자는 접지된 것인, 뉴런 회로.
KR1020220071872A 2021-11-18 2022-06-14 시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치 KR102514649B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2022/018047 WO2023090837A1 (ko) 2021-11-18 2022-11-16 시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치
US18/162,617 US20230177322A1 (en) 2021-11-18 2023-01-31 Neuron circuit and neuromorphic device for compensating for change in synaptic properties

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210159694 2021-11-18
KR1020210159694 2021-11-18

Publications (1)

Publication Number Publication Date
KR102514649B1 true KR102514649B1 (ko) 2023-03-29

Family

ID=85799940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220071872A KR102514649B1 (ko) 2021-11-18 2022-06-14 시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치

Country Status (3)

Country Link
US (1) US20230177322A1 (ko)
KR (1) KR102514649B1 (ko)
WO (1) WO2023090837A1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180088258A (ko) * 2017-01-25 2018-08-03 한국전자통신연구원 뉴로모픽 연산 장치
KR20190051766A (ko) 2017-11-06 2019-05-15 삼성전자주식회사 시냅스 가중치 학습을 위한 뉴런 회로, 시스템 및 방법
KR20200088952A (ko) * 2019-01-15 2020-07-24 한국전자통신연구원 스파이크 뉴럴 네트워크 회로 및 이의 동작 방법
KR20210023277A (ko) * 2019-08-22 2021-03-04 고려대학교 산학협력단 단일 게이트의 피드백 전계효과 전자소자를 이용하는 축적 및 발화 뉴런회로
KR20210050243A (ko) * 2019-10-28 2021-05-07 삼성전자주식회사 뉴로모픽 패키지 장치 및 뉴로모픽 컴퓨팅 시스템
KR20210050966A (ko) * 2019-10-29 2021-05-10 삼성전자주식회사 적층형 뉴로모픽 장치 및 뉴로모픽 컴퓨팅 장치
KR20210058463A (ko) * 2019-11-14 2021-05-24 고려대학교 산학협력단 p-n-p-n 다이오드를 이용한 무전원의 뉴런 모방 회로
KR20210088444A (ko) * 2020-01-06 2021-07-14 서울대학교산학협력단 온칩 학습이 가능한 뉴로모픽 아키텍쳐

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180088258A (ko) * 2017-01-25 2018-08-03 한국전자통신연구원 뉴로모픽 연산 장치
KR20190051766A (ko) 2017-11-06 2019-05-15 삼성전자주식회사 시냅스 가중치 학습을 위한 뉴런 회로, 시스템 및 방법
KR20200088952A (ko) * 2019-01-15 2020-07-24 한국전자통신연구원 스파이크 뉴럴 네트워크 회로 및 이의 동작 방법
KR20210023277A (ko) * 2019-08-22 2021-03-04 고려대학교 산학협력단 단일 게이트의 피드백 전계효과 전자소자를 이용하는 축적 및 발화 뉴런회로
KR20210050243A (ko) * 2019-10-28 2021-05-07 삼성전자주식회사 뉴로모픽 패키지 장치 및 뉴로모픽 컴퓨팅 시스템
KR20210050966A (ko) * 2019-10-29 2021-05-10 삼성전자주식회사 적층형 뉴로모픽 장치 및 뉴로모픽 컴퓨팅 장치
KR20210058463A (ko) * 2019-11-14 2021-05-24 고려대학교 산학협력단 p-n-p-n 다이오드를 이용한 무전원의 뉴런 모방 회로
KR20210088444A (ko) * 2020-01-06 2021-07-14 서울대학교산학협력단 온칩 학습이 가능한 뉴로모픽 아키텍쳐

Also Published As

Publication number Publication date
WO2023090837A1 (ko) 2023-05-25
US20230177322A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
KR102230784B1 (ko) Stdp 동작을 위한 시냅스 회로 및 시냅스 회로를 포함하는 뉴로모픽 시스템
US20200082256A1 (en) Neuron peripheral circuits for neuromorphic synaptic memory array based on neuron models
US10140573B2 (en) Neural network adaptation to current computational resources
KR102092233B1 (ko) 뉴런 회로
KR20180111156A (ko) 피드-백 라인을 가진 포스트-시냅틱 뉴런을 포함하는 뉴로모픽 소자 및 뉴로모픽 소자의 동작 방법
US10552734B2 (en) Dynamic spatial target selection
US10340002B1 (en) In-cell differential read-out circuitry for reading signed weight values in resistive processing unit architecture
US11055612B2 (en) Voltage controlled highly linear resistive elements
US20150046381A1 (en) Implementing delays between neurons in an artificial nervous system
US11526763B2 (en) Neuromorphic system for performing supervised learning using error backpropagation
KR102026332B1 (ko) 뉴런 모방 회로
KR102514649B1 (ko) 시냅스 특성 변화를 보상하는 뉴런 회로 및 뉴로모픽 장치
US20150278683A1 (en) Plastic synapse management
KR102584868B1 (ko) 온칩 학습이 가능한 뉴로모픽 아키텍쳐
US9460384B2 (en) Effecting modulation by global scalar values in a spiking neural network
US20220058480A1 (en) Threshold Variation Compensation of Neurons in Spiking Neural Networks
US11580370B2 (en) Artificial neuromorphic circuit and operation method
Kadetotad et al. Neurophysics-inspired parallel architecture with resistive crosspoint array for dictionary learning
US20140365413A1 (en) Efficient implementation of neural population diversity in neural system
Chan et al. Spike timing dependent plasticity with memristive synapse in neuromorphic systems
CN111630528B (zh) 类神经电路以及运作方法
KR20230104572A (ko) 커런트 미러 회로 및 이를 포함하는 뉴로모픽 장치
Seo et al. A low power integrate and fire neuron circuit for spiking neural network
US20210406658A1 (en) Artificial neuromorphic circuit and operation method
KR102511526B1 (ko) 하드웨어 기반 인공 신경망 제공 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant