KR102608683B1

KR102608683B1 - Knn을 이용한 자연 언어 처리

Info

Publication number: KR102608683B1
Application number: KR1020180080694A
Authority: KR
Inventors: 아비단 아케립
Original assignee: 쥐에스아이 테크놀로지 인코포레이티드
Priority date: 2017-07-16
Filing date: 2018-07-11
Publication date: 2023-11-30
Also published as: CN110019815B; KR20190008514A; CN117370563A; CN110019815A

Abstract

자연 언어 처리를 위한 시스템은 메모리 어레이와 프로세서를 포함한다. 메모리 어레이는, 복수의 특징 벡터를 저장하는 유사도 섹션, 특징 벡터의 발생의 확률을 결정하기 위한 SoftMax 섹션, 복수의 수정된 특징 벡터를 저장하는 값 섹션(value section), 및 마커 섹션으로 분할된다. 프로세서는 마커 섹션에 의해 표시되는 각각의 열에서: 표시된 열에 저장된 특징 벡터와 벡터 질의(vector question) 사이의, 유사도 섹션에서의 유사도 연산; 표시된 특징 벡터에 대해 연관된 SoftMax 확률 값을 결정하는, SoftMax 섹션에서의 SoftMax 연산; 연관된 SoftMax 확률 값에, 표시된 열에 저장된 각각의 수정된 특징 벡터를 곱하는, 값 섹션에서의 곱셈 연산; 및 곱셈 연산의 출력의 어텐션 벡터를 누적시키는, 값 섹션에서의 벡터 합 연산을 병렬적으로 수행하도록 메모리 어레이를 활성화한다.

Description

KNN을 이용한 자연 언어 처리{NATURAL LANGUAGE PROCESSING WITH KNN}

관련 출원에 대한 상호 참조

본 출원은 2017년 7월 16일에 출원된 미국 가출원 62/533,076 및 2018년 6월 18일에 출원된 미국 가출원 62/686,114에 대해 우선권을 주장하며, 이러한 문헌의 내용은 원용에 의해 본원에 통합된다.

기술분야

본 발명은 일반적으로 연관 계산, 및 특히 연관 계산을 이용하는 데이터 마이닝 알고리즘에 관한 것이다.

데이터 마이닝은 대형 데이터세트에서 패턴을 발견하는 계산 프로세스이다. 이는 상이한 기술을 사용하여 데이터세트를 분석한다. 이러한 기법 중 하나는 분류이며, 이는 그룹 구성원이 알려져 있는 데이터세트의 아이템과 연관된 데이터에 기초하여 새로운 아이템의 그룹 구성원을 예측하는 데 사용되는 기술이다. k-최근접 이웃(k-Nearest Neighbors, k-NN) 알고리즘은 이에 제한되지는 않으나, 다른 수많은 응용 중에서도, 생물 정보학, 발화 인식, 이미지 처리, 통계적 추정, 패턴 인식과 같은 기계 학습 절차가 사용되는 많은 분야에서 사용되는 알려진 데이터 마이닝 분류 방법 중 하나이다.

객체(예를 들어, 제품, 이미지, 얼굴, 음성, 텍스트, 비디오, 인간 조건, DNA 시퀀스 등)의 대형 데이터세트에서, 각각의 객체는 수많은 미리 정의된 클래스 중 하나와 연관될 수 있다 (예를 들어, 제품 클래스는 시계, 꽃병, 귀고리, 펜 등일 수 있다). 클래스의 수는 작거나 클 수 있고, 클래스와 연관되는 것 이외에 각각의 객체는 속성 세트(예를 들어, 제품의 경우: 크기, 무게, 가격 등)로 설명될 수 있다. 속성 각각은 수치 값(예를 들어, 제품 사이즈의 경우: 예컨대 너비 20. 5cm 등)으로 더 정의될 수 있다. 분류 절차의 목적은 객체의 속성의 값 및 데이터세트의 기분류된 객체와의 유사도에 기초하여 미분류 객체(클래스가 아직 정의되지 않음)의 클래스를 식별하는 것이다.

K-최근접 이웃 알고리즘은 먼저 도입된 객체 X(분류되지 않음)와 데이터세트의 각각의 모든 객체 사이의 유사도를 산출한다. 유사도는 거리가 작을수록 객체가 더 유사하도록 객체들 사이의 거리로 정의되며, 사용될 수 있는 몇 가지 알려진 거리 함수가 있다. 거리가 새로운 도입된 객체 X와 데이터세트의 모든 객체 사이에서 산출된 후에, X에 대한 k개의 최근접 이웃이 선택될 수 있으며, 여기서 k는 K-최근접 이웃 알고리즘의 사용자에 의해 정의된 미리 정의된 수이다. X는 k개의 최근접 이웃 중에서 가장 공통적인 클래스에 할당된다.

다른 알고리즘 중에서 K-최근접 이웃 알고리즘은 데이터세트의 가장 작거나 가장 큰, 즉 극한 k 아이템에 신속하게 액세스하기 위해 정렬되지 않은 대형 데이터세트를 매우 신속하고 효율적으로 분석해야 한다.

데이터세트에서 이러한 k개의 가장 작은/가장 큰 아이템을 찾는 한 가지 방법은 숫자가 순서대로 배열되고 첫 번째(또는 마지막) k 숫자가 데이터세트의 원하는 k 아이템이 되도록 데이터세트를 먼저 정렬하는 것일 수 있다. 수많은 정렬 알고리즘이 본 기술분야에 공지되어 있으며 사용될 수 있다.

하나의 메모리 내 정렬 알고리즘은 2015년 1월 1일에 출원되었고 본 출원의 공동 양수인에게 양도된 미국 특허 출원 14/594,434에 설명되어 있다. 이 알고리즘은 처음에 제1 최소치(또는 최대치)을 찾고, 그 다음에 제2 최소치(또는 최대치)를 찾고, 이어서 데이터세트의 모든 숫자가 최소치에서 최대치로(또는 최대치에서 최소치로) 정렬될 때까지 프로세스를 반복함으로써 세트의 숫자를 정렬하는 데 사용될 수 있다. 미국 특허 출원14/594,434에 설명된 정렬 알고리즘의 계산 복잡도는 n이 세트의 크기일 때 O(n)이다 (세트 전체를 정렬하기 위한 n번의 반복이 있으므로). 계산이 k번째 반복에서 중지되면 (제1 k 최소치/최대치를 찾는 데 사용되는 경우), 복잡도는 O(k)일 수 있다.

본 발명의 바람직한 실시예에 따르면 자연 언어 처리를 위한 시스템이 제공된다. 이러한 시스템은 메모리 어레이 및 메모리 내(in-memory) 프로세서를 포함한다. 메모리 어레이는 행과 열을 갖고, 복수의 키(key) 또는 특징 벡터를 초기 저장하는 유사도 섹션, 키 또는 특징 벡터의 발생의 확률을 결정하기 위한 SoftMax 섹션, 복수의 수정된 특징 벡터를 초기 저장하는 값 섹션(value section), 및 마커 섹션으로 분할된다. 메모리 어레이의 하나 이상의 열에서의 연산이 처리될 하나의 특징 벡터와 연관된다. 메모리 내 프로세서는 마커 섹션에 의해 표시되는 각각의 열에서:

각각의 표시된 열에 저장된 각각의 특징 벡터와 벡터 질의 사이의, 유사도 섹션에서의 유사도 연산;

각각의 표시된 특징 벡터에 대해 연관된 SoftMax 확률 값을 결정하는, SoftMax 섹션에서의 SoftMax 연산;

연관된 SoftMax 확률 값에, 각각의 표시된 열에 저장된 각각의 수정된 특징 벡터를 곱하는, 값 섹션에서의 곱셈 연산; 및

곱셈 연산의 출력의 어텐션 벡터 합(attention vector sum)을 누적시키는, 값 섹션에서의 벡터 합 연산 ― 벡터 합은 추가적인 반복을 위해 새로운 벡터 질의를 생성하거나 최종 반복에서 출력 값을 생성하기 위해 사용될 것임 ―

을 병렬적으로 수행하도록 메모리 어레이를 활성화한다.

나아가 본 발명의 바람직한 실시예에 따르면, 메모리 어레이는, 자연 언어 처리 연산의 반복마다 하나씩 다수의 연산부를 포함하고, 각각의 연산부는 섹션들로 분할된다.

더욱이 본 발명의 바람직한 실시예에 따르면, 메모리 어레이는 SRAM, 비휘발성, 휘발성, 또는 비파괴 어레이이다.

나아가 본 발명의 바람직한 실시예에 따르면, 메모리 어레이는 각각의 섹션의 열마다 하나씩 다수의 비트 라인 프로세서를 포함하고, 각각의 비트 라인 프로세서는 연관된 섹션의 데이터의 하나의 비트에 대해 동작한다.

추가적으로 본 발명의 바람직한 실시예에 따르면, 시스템은 특징 벡터 및 수정된 특징 벡터를 생성하기 위한 신경 네트워크 특징 추출기를 더 포함한다.

더욱이 본 발명의 바람직한 실시예에 따르면, 특징 벡터는 단어, 문장, 또는 문서의 특징을 포함한다.

그리고 본 발명의 바람직한 실시예에 따르면, 특징 벡터는 사전-트레이닝된 신경 네트워크의 출력이다.

더욱이 본 발명의 바람직한 실시예에 따르면, 시스템은 초기 벡터 질의를 생성하기 위한 사전-트레이닝된 신경 네트워크를 더 포함한다.

나아가 본 발명의 바람직한 실시예에 따르면, 시스템은 초기 벡터 질의 및 어텐션 벡터 합으로부터 추가적인 질의를 생성하기 위한 질의 생성기를 더 포함한다.

더욱이 본 발명의 바람직한 실시예에 따르면, 질의 생성기는 신경 네트워크이다.

대안으로서 본 발명의 바람직한 실시예에 따르면, 질의 생성기는 메모리 어레이의 비트 라인 상에서 행렬 곱셈기로 구현된다.

본 발명의 바람직한 실시예에 따르면 또한, 자연 언어 처리를 위한 방법이 제공된다. 이러한 방법은, 행과 열을 갖는 메모리 어레이를 구비하는 단계 ― 메모리 어레이는, 복수의 키 또는 특징 벡터를 초기 저장하는 유사도 섹션, 키 또는 특징 벡터의 발생의 확률을 결정하기 위한 SoftMax 섹션, 복수의 수정된 특징 벡터를 초기 저장하는 값 섹션, 및 마커 섹션으로 분할되고, 메모리 어레이의 하나 이상의 열에서의 연산이 처리될 하나의 특징 벡터와 연관됨 ―; 및 마커 섹션에 의해 표시되는 각각의 열에서 다음의 연산을 병렬적으로 수행하도록 메모리 어레이를 활성화하는 단계를 포함한다. 이러한 연산은: 각각의 표시된 열에 저장된 각각의 특징 벡터와 벡터 질의 사이의, 유사도 섹션에서의 유사도 연산; 각각의 표시된 특징 벡터에 대해 연관된 SoftMax 확률 값을 결정하는, SoftMax 섹션에서의 SoftMax 연산; 연관된 SoftMax 확률 값에, 각각의 표시된 열에 저장된 각각의 수정된 특징 벡터를 곱하는, 값 섹션에서의 곱셈 연산; 및 곱셈 연산의 출력의 어텐션 벡터 합을 누적시키는, 값 섹션에서의 벡터 합 연산을 포함한다. 벡터 합은 추가적인 반복을 위해 새로운 벡터 질의를 생성하거나 최종 반복에서 출력 값을 생성하기 위해 사용된다.

나아가 본 발명의 바람직한 실시예에 따르면, 메모리 어레이는 각각의 섹션의 열마다 하나씩 다수의 비트 라인 프로세서를 포함하고, 방법은 각각의 비트 라인 프로세서가 연관된 섹션의 데이터의 하나의 비트에 대해 동작하는 단계를 더 포함한다.

더욱이 본 발명의 바람직한 실시예에 따르면, 방법은 신경 네트워크를 이용하여 특징 벡터 및 수정된 특징 벡터를 생성하여 유사도 섹션 및 값 섹션에 각각 저장하는 단계를 더 포함한다.

그리고 본 발명의 바람직한 실시예에 따르면, 방법은 사전-트레이닝된 신경 네트워크를 이용하여 초기 벡터 질의를 생성하는 단계를 더 포함한다.

부가적으로 본 발명의 바람직한 실시예에 따르면, 방법은 초기 벡터 질의 및 어텐션 벡터 합으로부터 추가적인 질의를 생성하는 단계를 더 포함한다.

나아가 본 발명의 바람직한 실시예에 따르면, 추가적인 질의를 생성하는 것은 신경 네트워크를 활용한다.

마지막으로 본 발명의 바람직한 실시예에 따르면, 추가적인 질의를 생성하는 것은 메모리 어레이의 비트 라인 상에서 행렬 곱셈을 수행하는 것을 포함한다.

본 발명으로 간주되는 주제는 특히 본 명세서의 결론 부분에서 지적되고 명백하게 청구된다. 그러나, 본 발명은 그 목적, 특징, 및 이점과 함께 구성 및 동작 방법 모두가 첨부 도면과 함께 읽을 때 다음의 상세한 설명을 참조함으로써 가장 잘 이해될 수 있으며, 여기서:
도 1a 및 도 1b는 본 발명의 바람직한 실시예에 따라 구성되고 동작하여 일정한 시간 내에 k개의 극값을 계산하기 위한 메모리 계산 디바이스의 논리적 개략도 및 물리적 개략도이다.
도 2는 메모리 어레이에 저장된 데이터세트 C의 개략도이다;
도 3은 데이터세트 C의 예이다;
도 4 및 도 5는 계산에 사용되는 임시 저장부의 개략도이다;
도 6은 k-최소(k-Mins) 프로세서의 계산 단계를 설명하는 흐름도이다;
도 7-11은 도 3의 예시적인 데이터세트에 대해, 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서의 계산 단계의 예의 도면이다;
도 12는 k-최소치 프로세서에 의해 사용되는 카운트 연산에서 사용하기 위한 효율적인 시프트의 일 실시예의 개략도이다;
도 13은 수많은 데이터 마이닝 사례의 이벤트 흐름의 개략도이다;
도 14는 다수의 비트 라인 프로세서를 갖는 메모리 어레이의 개략적인 도면이다;
도 15는 자연 언어 처리를 위해 단-대-단(end-to-end) 메모리 네트워크를 구현하도록 동작하고 구성되는 연관 메모리 레이아웃의 개략도이다;
도 16은 일정한 시간 내에 메모리 내에서 네트워크의 모든 홉(hop)을 구현하기 위한 연관 처리 유닛의 개략도이다.
설명의 단순성 및 명료성을 위해, 도면에 도시된 요소는 반드시 일정한 비율로 그려진 것은 아니라는 것이 이해될 것이다. 예를 들어, 요소 중 일부의 치수는 명료성을 위해 다른 요소에 비해 과장될 수 있다. 또한, 적절한 것으로 고려되는 경우, 대응하는 또는 유사한 요소를 나타내기 위해 참조 부호가 도면들 사이에서 반복될 수 있다.

다음의 상세한 설명에서, 본 발명의 완전한 이해를 제공하기 위해 수많은 특정 세부 사항이 제시된다. 그러나, 본 발명은 이들 특정 세부 사항 없이 실시될 수 있음이 본 기술분야의 통상의 기술자에 의해 이해될 것이다. 다른 예에서, 공지된 방법, 절차, 및 구성 요소는 본 발명을 모호하게 않도록 상세히 설명되지 않았다.

출원인은 공지된 정렬 메커니즘의 복잡도가 데이터세트 크기에 비례하므로, 데이터세트가 매우 클 때 k-최소치 값을 찾기 위해 데이터세트를 정렬하는 것은 효율적이지 않다는 것을 깨달았다. 데이터세트가 커짐에 따라, 데이터세트로부터 k-최소치 값을 취출하는 요청에 응답하는 유효 시간이 증가할 것이다.

출원인은 연관 메모리 디바이스가 대형 데이터세트를 저장하는 데 사용될 수 있고, 이는 데이터세트 자체의 크기가 아니라 데이터세트의 객체의 크기에만 비례하는 일정한 계산 복잡도 (O(1))을 갖는 임의의 크기의 데이터세트에서 k-최소치 값을 찾는 메모리 내 방법을 제공할 수 있음을 또한 깨달았다.

이러한 일정한 복잡도를 제공할 수 있는 메모리 디바이스는 2009년 7월 16일에 출원된 미국 특허 출원 12/503,916, 현재는 미국 특허 제8,238,173호; 2015년 1월 1일에 출원된 미국 특허 출원 14/588,419; 2015년 1월 12일에 출원된 미국 특허 출원 14/594,434(미국 특허 제9,859,005호로 등록됨); 2014년 11월 27일에 출원된 미국 특허 출원 제14/555,638호(미국 특허 제9,418,719호로 등록됨); 및 2016년 5월 5일에 출원된 미국 특허 출원 제15/146,908호, 현재는 미국 특허 제9,558,812호에 설명되어 있으며, 이들 모두는 본 발명의 공통 양도인에게 양도되었다.

출원인은 연관 계산이 일정한 계산 복잡도와 더불어, 요청당 최소 대기 시간으로 k-최소치 값을 찾는 신속하고 효율적인 방법을 제공할 수 있음을 또한 깨달았다. 또한, 연관 메모리의 데이터는 계산 중에 이동되지 않고, 계산 이전의 원래의 메모리 위치에 남아있을 수 있다.

데이터세트 크기를 증가시키는 것은 k-최소치 질의의 계산 복잡도 및 응답 시간에 영향을 미치지 않을 수도 있다는 것이 이해될 수 있을 것이다.

이제 도 1a 및 도 1b를 참조하며, 이들은 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 메모리 계산 디바이스(100)의 개략도이다. 도 1a에 도시된 바와 같이, 디바이스(100)는 데이터세트를 저장하는 메모리 어레이(110), k-최소치 연산을 수행하기 위해 메모리 논리 소자 상에 구현된 k-최소치 프로세서(120), 및 메모리 어레이(110)에 저장된 데이터에 대해 k-최소치 프로세서(120)에 의해 이루어진 연산의 중간 및 최종 결과를 저장하기 위해 사용될 수 있는 k-최소치 임시 저장부(130)를 포함할 수 있다. 도 1b에서, k-최소치 프로세서(120) 및 k-최소치 임시 저장부(130)의 물리적 양태가 연관 메모리 어레이(140)에 도시되어 있다. 연관 메모리 어레이(140)는 k-최소치 프로세서(120)의 연산과 k-최소치 임시 저장부(130)의 저장을 결합한다. 메모리 어레이(110)는 이진수의 매우 대형 데이터세트를 저장할 수 있다. 각각의 이진수는 고정된 수의 비트로 구성되고 메모리 어레이(110)의 상이한 열에 저장된다. k-최소치 임시 저장부(130)는 메모리 어레이(110)에 저장된 정보의 복사본, 및 k-최소치 프로세서(120)에 의해 수행되는 계산 단계와 관련된 임시 정보를 저장하는 여러 개의 벡터, 뿐만 아니라 데이터세트에서 k개의 가장 낮은 값을 저장하는 k개의 열의 표시를 포함하는 최종 결과를 저장할 수 있다.

(본 명세서에서 전술한 미국 특허 출원에 설명된 바와 같이 부울 연산의 수행을 가능하게 하기 위해) 메모리 어레이(110) 및 연관 메모리 어레이(140)에 저장된 데이터는 열에 저장될 수 있는 것을 알 수 있다. 그러나, 명확성을 위해, 설명 및 도면은 숫자가 (행에) 수평으로 표시되는 정보의 논리적 보기를 제공한다. 실제 저장 및 계산은 수직으로 행해지는 것이 이해될 것이다.

이제 참조되는 도 2는 메모리 어레이(110)에 저장된 데이터세트 C의 개략도이다. 전술한 바와 같이, 데이터세트 C의 행은 메모리 어레이(110)에 열로서 저장된다. 데이터세트 C는 q 행에 멀티 비트 이진수를 저장할 수 있다. 데이터세트 C의 각각의 이진수는 C^P로 언급되며, 여기서 p는 이진수가 저장되는 메모리 에러이 C의 행 식별자이다. 각각의 수 C^P은 m 비트 로 구성되며, 여기서 는 행 p에 저장된 이진수의 비트 i를 나타낸다. m(이진수를 포함하는 비트 수)의 값은 8, 16, 32, 64, 128 등일 수 있다.

전술한 바와 같이 C^P는 어레이 C의 행 (p)을 나타내며, 여기서 (p = 1...q)이고, C_i는 어레이 C의 열 (i)을 나타내며, 여기서 (i = 1...m)이고, 는 어레이 C의 셀(행 p와 열 i의 교집합)을 나타내며, 여기서 (p = 1...q; i = 1...m)이다. 도 2에서 행 3 열 2에 있는, 로 언급되는 아이템이 사각형으로 표시되어 있다.

이제 참조되는 도 3은 11개의 이진수, 즉 q = 11을 갖는 데이터세트 C의 예이다. 각각의 행에는 0에서 시작하여 10까지의 식별자로 라벨링된다. 예시적인 데이터세트 C의 이진수는 각각 8비트를 가지며, 비트는 비트 7 내지 비트 0으로 라벨링된 열에 저장되며, 이 예에서 m = 8이다. 각각의 이진수의 십진수 값이 각각의 행의 오른쪽에 나타내어져 있다. 이 예에서 찾아질 최소 이진수의 원하는 양은 4, 즉 k = 4로 설정될 수 있고, 도 3의 데이터세트에서 4개의 가장 작은 수는 (a) 행 9에 저장된 수 14; (b) 행 5에 저장된 수 56; (c) 행 1에 저장된 수 88; 및 (d) 행 4에 저장된 수 92인 것을 알 수 있다.

본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)는 대형 데이터세트 C에서 k개의 가장 작은 이진수를 찾을 수 있다. 데이터세트 C에서 k개의 가장 작은 수의 그룹은 k-최소치 세트라고 지칭되며 k개의 수를 가질 수 있다. k-최소치 프로세서(120)는 MSB(최상위 비트)로부터 LSB(최하위 비트)까지의 데이터세트 C의 열 C_i를 스캔하고, 동시에 행 C^P - 여기서 은 0이다 - 을 선택하여 다음 단계로 계속 진행함으로써 k-최소치 세트를 생성할 수 있다. 특정 위치( i번째 비트)에서 값 0을 갖는 이진수는 동일한 위치에서 값 1을 갖는 이진수보다 더 작음을 알 수 있다.

선택된 행의 양이 목표 행 k와 비교된다. 선택된 행의 양이 k보다 크다면, k-최소치 프로세서(120)는 너무 많은 행이 있기 때문에 이미 선택된 행의 다음 비트를 계속 스캔할 수 있고, 그 세트는 더 감소될 것이다. (선택되지 않은 행은 더 큰 값을 갖는 이진수를 포함할 수 있으므로, 나머지 계산에서는 고려되지 않는다). 선택된 행의 양이 k보다 작은 경우, k-최소치 프로세서(120)는 선택된 행을 k-최소치 세트에 추가할 수 있고 나머지 모든 이진수의 다음 비트를 계속 스캔할 수 있다. (선택된 행의 양이 충분하지 않으므로, 추가적인, 더 많은 이진수를 가진 행이 고려될 것이다). 선택된 행의 양이 정확히 k이면, k-최소치 프로세서(120)는 k-최소치 세트가 필요로 하는 k개의 아이템을 포함할 수 있기 때문에 그 처리를 중지할 수 있다.

k = 1일 때, k-최소치 세트는 전체 데이터세트의 전역 최소치인 단일 숫자를 포함한다는 것을 알 수 있다. 데이터세트에 이 값을 갖는 인스턴스가 하나를 초과하여 있을 수 있고, 이 값의 제1 인스턴스는 k-최소치 세트의 멤버로 선택된다는 것이 또한 이해될 수 있을 것이다.

k-최소치 프로세서(120)는 데이터세트 C의 이진수의 비트가 메모리 어레이(110)에 저장되는 정보로 구축될 수 있다는 것이 또한 이해될 수 있을 것이다. 도 3의 예에서, 이진수는 행으로 표시되며, 여기서 MSB는 가장 왼쪽 비트이고, LSB는 가장 오른쪽 비트이고, 다른 모든 비트는 그 사이에 있다. 또한, 메모리 어레이(110)의 이진수의 배열은 데이터세트 C의 모든 이진수의 i번째 위치에 있는 비트가 메모리 어레이(110)에서 동일한 행 C_i에 위치되도록 된다. 즉, 데이터세트 C의 모든 이진수의 MSB는 같은 행에 있을 수 있고, 데이터세트 C의 모든 이진수의 LSB는 같은 행에 있을 수 있고, 따라서 그 사이에 모든 비트가 있을 수 있다.

이제 참조되는 도 4 및 도 5 는 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 임시 저장부(120)의 개략도이다. k-최소치 임시 저장부(120)는 벡터에 저장된 중간 정보를 포함할 수 있다. k-최소치 프로세서(120)에 의해 사용되는 벡터는 벡터 D - 임시 역 벡터; 벡터 V - 자격 k-최소치 마커 벡터; 벡터 M - 후보 벡터; 벡터 N - 임시 후보 벡터; 및 벡터 T - 임시 구성원 벡터이다. k-최소치 섹션(120)에 사용되는 모든 벡터의 크기(행 수)는 q이며 데이터세트 C의 행 수와 동일하다. 각각의 벡터는 세트의 일부, 세트에 합류할 후보 등과 같이, k-최소치 세트와 관련하여 데이터세트 C의 연관된 행에 저장된 이진수와 관련된 표시를 각각의 행에 저장한다. 벡터는 전체 데이터세트와 같이, 메모리 어레이(110)의 행에 물리적으로 저장되지만, 명확성을 위해 열로 도시된다는 것을 알 수 있다.

벡터 D는 k-최소치 프로세서(120)에 의해 처리되는 열 C_i의 비트의 역의 값을 포함할 수 있는 임시 역 벡터이다. 전술한 바와 같이, 데이터세트 C의 이진수의 비트는 MSB로부터 LSB로 처리될 수 있고, 각각의 단계에서, k-최소치 프로세서(120)는 메모리 어레이(110)의 또 다른 행 i를 처리할 수 있다.

벡터 D는 데이터세트 C에서 처리된 열 C_i의 역이다:

D = NOT C_i

1의 값을 갖는 벡터 D의 임의의 행 p(즉, D^P = 1)는 셀 (데이터세트 C의 행 p)에 저장된 원래 비트의 값이 0이었음을 나타낼 수 있으며, 이는 데이터세트 C의 행 p에 저장된 이진수가 k-최소치 세트에 참여할 후보가 될 수 있음을 나타낸다. 유사하게, 0의 값을 갖는 벡터 D내의 모든 행 p(즉, D^P = 0)는 셀 (데이터세트 C의 행 p)에 저장된 원래 비트의 값이 1이었음을 것을 나타낼 수 있고, 이는 데이터세트 C로부터의 관련 이진수가 평가되는 데이터세트로부터의 다른 수보다 크기 때문에 k-최소치 세트에 참여할 후보가 아닐 수 있음을 나타낸다.

벡터 V는 자격 k-최소치 마커 벡터이며, (이미) k-최소치 세트의 일부인 이진수를 갖는 데이터세트 C의 모든 행의 목록을 유지한다. 알고리즘에 의해 사용되는 다른 벡터와 마찬가지로, 데이터세트 C의 이진수 C^P가 k-최소치 세트에 속하는지 여부의 최종 표시 V^P를 각각의 행 p에 유지하는 q 크기의 벡터이다.

1의 값을 갖는 벡터 V의 임의의 행 p(즉, V^P = 1)는 데이터세트 C의 동일한 행 p에 저장된 이진수의 값이 k-최소치 세트 멤버로서 자격이 있음을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 V의 모든 행 p(즉, V^P = 0)는 데이터세트 C의 행 p에 저장된 이진수가 k-최소치 세트의 일부가 될 자격이 없음을 나타낼 수 있다.

벡터 V는 계산 시작 시에 k-최소치 세트가 비어 있기 때문에 모두 0으로 초기화될 수 있다. 계산의 끝에서, V는 k개의 자격 표시를 포함할 수 있다 (즉, 벡터 V의 k 비트의 값은 1이고, 모든 다른 비트의 값은 0일 수 있다). 벡터 V의 비트 V^P가 계산 중에 1로 설정되면, C의 연관된 이진수 C^P는 k-최소치 세트의 일부이고, k-최소치 세트의 일부가 되는 것을 멈추지 않을 수 있다. 벡터 V의 표시는 단지 설정될 수 있다. k-최소치 프로세서가 데이터세트 C의 다음 열로 계속 진행하는 동안 표시는 또한 계산 프로세스를 따라 "설정 해제"되지 않을 수 있다. (열은 MSB에서 LSB로 처리되므로, 가장 작은 것으로 정의된 수는 그 특성을 변경하지 않고 다음 열을 처리될 때 더 커질 수 있다).

벡터 M은 후보 벡터이며, 잠재적으로 k-최소치 세트의 일부가 될 수 있는 수를 갖는 데이터세트 C의 모든 행의 목록을 유지한다. 데이터세트 C의 연관된 이진수는 k-최소치 세트에 아직 추가되지 않았지만, 세트에서 아직 제외되지 않았으며 잠재적으로 k-최소치 프로세서(120)의 절차를 따라 또한 세트에 합류할 수 있다. k-최소치 프로세서(120)에 의해 사용되는 다른 모든 벡터와 마찬가지로, 데이터세트 C의 이진수 C^P가 여전히 k-최소치 세트에 합류할 후보로서 고려될 수 있는지 여부의 표시 M^P를 각각의 행 p에 유지하는 q 크기의 벡터이다.

1의 값을 갖는 벡터 M의 임의의 행 p(즉, M^P = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 k-최소치 세트에 합류할 후보일 수 있음을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 M의 모든 행 p(즉, M^P = 0)는 데이터세트 C의 행 p에 저장된 이진수가 더 이상 k-최소치 세트에 합류할 후보로 고려될 수 없음을 나타낼 수 있다.

세트가 정렬되지 않을 수 있고 숫자는 랜덤하게 퍼져 있을 수 있으므로, 데이터세트 C의 모든 수가 잠재적으로 k-최소치 세트의 일부가 될 수 있기 때문에 벡터 M은 모두 1로 초기화될 수 있다.

계산 중에 벡터 M의 비트 M^P가 0으로 설정되면, 이는 C의 연관된 이진수 C^P가 더 이상 k-최소치 세트의 잠재적인 후보로 고려되지 않을 수 있음을 나타내고, k-최소치 프로세서(120)가 평가를 위해 다음 비트로 계속 진행하는 동안, 표시는 계산 프로세스를 따라 또한 다시 변경되지 않을 수 있다. 후보가 되는 것이 중단될 수 있는 이진수는 다른 이진수보다 크기 때문에, 추가 평가에서 영구적으로 제외될 수 있다.

벡터 N은 임시 후보 벡터이며, 벡터 M에 의해 표시된 바와 같은 C^P의 과거에 처리된 비트에 따른 이진수의 현재 후보 상태 및 역의 값이 벡터 D에 저장될 수 있는 현재 처리된 비트의 값을 고려하여, 아직 V에 있지 않은 수 C^P가 여전히 k-최소에 합류할 후보로 고려될 수 있는지의 임시 표시 NP를 각각의 행 p에 대해 유지한다. N은 벡터 M과 벡터 D의 논리적 AND이다.

N = M AND D

1의 값을 갖는 벡터 N의 임의의 행 p(즉, N^P = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 여전히 k-최소치 세트에 합류할 후보임을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 N의 모든 행 p(즉, N^P = 0)는 데이터세트 C의 행 p에 저장된 이진수가 더 이상 k-최소치 세트에 합류할 후보가 될 것으로 고려되지 않을 수 있음을 나타낼 수 있다. 이진수 C^P가 이전에 후보가 되는 것에서 배제되지 않고 (즉, M^P = 1), C의 현재 검사된 비트가 0, 즉 D^P = 1인 경우에 그리고 이러한 경우에만, N^P는 1이 될 것이다.

벡터 T는 임시 구성원 벡터이며, 이진수 C^P가 잠재적으로 k-최소의 멤버인지 여부, 즉 이미 k-최소치 세트에 있거나(벡터 V에 표시가 있음) k-최소치 세트에 합류할 후보(벡터 N에 표시가 있음)인지 여부의 임시 표시 T^P를 각각의 행 p에 대해 유지한다. T는 벡터 N과 벡터 V의 논리적 OR이다.

T = N OR V

1의 값을 갖는 벡터 T의 임의의 행 p(즉, T^P = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 k-최소치 세트의 임시 멤버로서 고려될 수 있음을 나타낼 수 있고, 0의 값을 갖는 벡터 T의 모든 행 p(즉, T^P = 0)는 관련 이진수가 k-최소치 세트의 멤버가 아닐 수 있음을 나타낼 수 있다.

전술한 바와 같이, k-최소치 프로세서(120)는 데이터세트 C에 저장된 모든 수 C^P에 대해 동시에 작업할 수 있고, MSB에서 LSB까지 그것들의 비트에 걸쳐 반복할 수 있다. 빈 그룹(V = 0)으로 시작할 수 있으며, 데이터세트의 모든 이진수에 후보 상태를 할당할 수 있다 (M = 1). k-최소치 프로세서(120)의 각각의 단계에서, 열 C_i의 비트 의 역(D = NOT C)이 평가된다 (k개의 최대 값을 찾기 위해서는, C_i가 역의 값 대신에 평가된다). D의 값이 0이면 (즉, = 1), 수 C^P는 k-최소치 세트에 합류하기에는 너무 커서 잠재적으로 후보 목록 N (N = M 및 D)으로부터 제거될 수 있다. 후보 수가 산출되고 (CNT = COUNT(N OR V)), 원하는 크기인 k-최소치 그룹-k와 비교된다.

CNT (k-최소치 세트의 잠재적인 이진수)가 필요한 것보다 작으면 (CNT < k), (k-최소치 세트에 자격 멤버가 충분하지 않기 때문에) 모든 후보가 자격을 가지게 될 수 있고 (V = N OR V), 검색이 계속될 수 있다.

CNT가 필요한 것보다 크면 (CNT > k), 현재 검사된 비트에서 1의 비트 값을 갖는 모든 이진수가 후보 목록에서 제거되어 (M = N), 후보 수를 감소시킬 수 있다. 나머지 후보는 다음 단계로 진행될 수 있다.

CNT가 필요한 값에 맞으면 (CNT = k), 모든 후보가 자격을 가지게 될 수 있고 (V = N 또는 V), k-최소치 프로세서(120)의 계산이 종료될 수 있다.

이제 참조되는 도 6은 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120) 기능 단계의 흐름도이다. k-최소치 프로세서(120) 기능 단계는 초기화(610), 루프(620), 벡터 산출(630), 대형 세트(640), 소형 세트(650), 적절한 세트(660)를 포함한다. k-최소치 프로세서(120)의 처리 단계는 또한 이하에서 의사 코드로서 제공된다.

초기화(610)는 k-최소치 세트가 비어 있는 세트로 시작할 수 있으므로 벡터 V를 0으로 초기화할 수 있고, 데이터세트 C내의 모든 이진수가 후보일 수 있으므로 벡터 M을 1로 초기화할 수 있다.

루프(620)는 데이터세트 C의 이진수의 모든 비트에 걸쳐 루프할 수 있으며, MSB에서 시작하여 LSB에서 종료한다.

각각의 처리된 비트에 대해, 벡터 산출(630)은 임시 벡터 D, N, 및 T를 산출할 수 있고, 후보의 양이 카운트될 수 있다. 벡터 D는 열 i의 역으로서 생성될 수 있고, 후보 벡터 N은 (벡터 M에 있는) 기존 후보 및 처리되는 비트의 역의 값을 보유하는 벡터 D에 의해 반영된 비트 i의 값으로부터 생성된다. 벡터 T는 벡터 V에 의해 반영된 k-최소치 세트의 현재 멤버와 생성된 후보 벡터 N 사이의 논리적 OR로서 산출될 수 있다. 벡터 T에 있는 후보의 수는 이하에서 더 설명되는 바와 같이 카운트될 수 있다.

후보의 수가 필요한 것보다 크면, 대형 세트(640)는 후보 벡터 M를 업데이트하고 다음 비트로 계속 진행할 수 있다. 후보의 수가 필요한 것보다 작으면, 소형 세트(650)는 새로운 후보를 멤버 벡터 V에 추가하고 다음 비트로 계속 진행할 수 있고, 후보의 수가 필요한 만큼이라면, 적절한 세트(660)는 계산이 LSB에 도달하지 않았더라도 자격 마커 벡터 V를 업데이트하고 루프를 빠져나올 수 있다.

1 KMINS(int k, array C)

2 {

3 M := 1

4 V := 0

5 FOR i = MSB to i = LSB:

6 D := not(C[i]);

7 N := M AND D;

8 T := N OR V;

9 cnt = COUNT(T);

10 IF cnt > K:

11 M := N;

12 ELIF cnt < K:

13 V := T;

14 ELSE:

15 V := T;

16 EXIT;

17 ENDIF

18 ENDFOR

19 }

도 7-11은 도 3의 예시적인 데이터세트 및 알고리즘의 각각의 단계에서의 결과적인 벡터의 내용물에 대해 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)의 산출 단계의 예의 도면이다. 이 예에서 k-최소치 세트의 필요한 크기는 전술한 바와 같이 4로 설정된다.

도 7은 계산 결과를 명확하게 하기 위한 각각의 수의 십진수 값, 및 각각 0 및 1로의 초기화 후에 벡터 V 및 벡터 M의 내용물과 함께, 데이터세트 C의 내용물의 예이다.

도 8은 데이터세트 C의 예에서 비트 수 7인 MSB에 대한 k-최소치 프로세서(120)의 반복 후에 상이한 벡터의 상태의 예이다. 벡터 D는 데이터세트 C의 열 7의 역의 값을 포함할 수 있다. 그 다음에, 벡터 N은 벡터 M과 벡터 D의 논리적 AND 연산으로서 산출될 수 있다. 그 다음에, 벡터 T는 벡터 N과 벡터 V의 논리적 OR 연산으로서 산출될 수 있고, T에 있는 표시의 수가 카운트된다. 카운트 값은 5이며, 이는 예에서 4 인 필요한 k 값보다 크다. 이 경우, 벡터 M은 N의 값으로 업데이트되고 알고리즘은 다음 비트로 계속 진행된다. 마찬가지로, 도 9는 데이터세트 C의 예에서 비트 수 6인 다음 비트에 대한 k-최소치 프로세서(120)의 반복 후에 상이한 벡터의 상태의 예이다. 알 수 있는 바와 같이, 도 9에서 카운트 값은 2이며, 이는 k=4의 필요한 값보다 작다. 이 경우, 벡터 M은 N의 값으로 업데이트되고 알고리즘은 다음 비트로 계속 진행된다.

도 10은 비트 수 5인 다음 비트에 대한 k-최소치 프로세서(120)의 반복 후의 상이한 벡터의 예이다. 벡터 D는 데이터세트 C의 열 5의 역의 값을 포함할 수 있다. 벡터 N은 이전과 같이 벡터 M과 벡터 D의 논리적 AND 연산으로서 산출될 수 있다. 그 다음에, 벡터 T는 벡터 N과 벡터 V의 논리적 OR 연산으로서 산출될 수 있고, 값 "1"을 갖는 비트 수가 카운트된다. 카운트의 값은 필요한 세트 크기인 4이며, 따라서 V는 T의 값으로 업데이트되고 알고리즘은 종료된다. 이 시점에서 벡터 V는 모든 행에서 데이터세트 C의 작은 수를 나타내는 마크(비트 값 "1")를 포함하고, 따라서 정확한 수가 벡터 V에 의해 가리켜지는 것을 알 수 있다.

예의 데이터세트에서, 최소값을 갖는 정확히 4개의 이진수가 존재하며, 각각의 이진수의 비트 수가 8이긴 하나, 3회 반복 후에 k-최소치 프로세서(120)에 의해 발견될 수 있다. 처리 복잡도가 데이터세트 크기가 아니라 이진수의 비트 수에 의해 한정된다는 것을 알 수 있다.

이진수가 데이터세트에 2회 이상 존재할 때, k-최소치 프로세서(120)는 데이터세트의 이진수의 마지막 비트에 도달하고, k-최소치 멤버로서 자격을 가질 정확히 k개의 아이템을 찾지 못할 수도 있다. 이 경우, 데이터세트의 각각의 이진수의 고유 인덱스를 나타내는 추가적인 비트 세트가 추가적인 최하위 비트로서 사용될 수 있다. 각각의 이진수가 고유 인덱스와 연관되므로, 추가적인 비트는 데이터세트 내의 각각의 아이템에 대한 고유 값을 생성하는 것을 보장할 수 있고, k-최소치 세트의 정확한 양의 아이템을 제공할 수 있다.

이제 참조되는 도 11은 k-최소치 세트의 크기가 k보다 클 수 있도록 반복되는 이진수의 인스턴스를 갖는 예시적인 데이터세트 C의 예이다. (도 11의 예에서, 십진수 값이 56인 이진수가 행 3 및 행 5에서 두 번 반복되고, 십진수 값이 14인 이진수가 행 8, 행 9, 및 행 10에서 세 번 반복된다. 결과적으로, k-최소치 세트에는 5개의 아이템이 있으며, 한편 k는 4이다). k-최소치 세트의 아이템의 수를 감소시키기 위해, 각각의 이진수의 인덱스는 데이터세트 C의 이진수의 최하위 비트로서 k-최소치 프로세서(120)로 처리될 수 있다. 인덱스가 고유하기 때문에, 오직 k개의 인덱스만이 k-최소치 세트에 있게 될 것이다. 도 11에 도시된 바와 같이, 인덱스 비트의 추가는 정확하게 k=4멤버인 k-최소치 세트를 생성한다.

전술한 바와 같이, 본 발명의 일 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)는 벡터에서의 표시의 수, 즉 벡터 T의 세트 비트를 카운트할 수 있다. 벡터의 세트 비트의 수를 카운트하는 여러 가지 방법이 있는데, 그 중 하나는 각각의 수를 바로 옆의 이웃과 더하고, 그 다음에 전체 벡터가 카운트될 때까지 2 열 떨어진 결과, 4 열 떨어진 결과 등등과 결과를 더하는 공지된 피라미드 카운트이다.

출원인은 효율적인 카운트가 2015년 1월 1일에 출원되고 본 발명의 공동 양수인에게 양도된 미국 특허 출원 14/594,434(미국 특허 제9,859,005호로 등록됨)에 상세하게 설명된 RSP 신호를 사용하여 연관 메모리에 구현될 수 있다는 것을 깨달았다. RSP 신호는 큰 벡터에서의 표시 카운트에 필요한 비트의 효율적인 큰 시프트를 위해 사용될 수 있다. 벡터가 큰 경우, 하나씩 하는 시프트 연산 대신에 순간 시프트를 제공하는 시프트 16, 256, 2000 등과 같은 큰 시프트가 필요할 수 있다.

RSP는 열 중 적어도 하나의 열의 데이터 후보의 포지티브 식별에 응답하는 신호를 발생시킬 수 있는 유선 OR 회로이다.

이제 참조되는 도 12는 예시적인 어레이(1200)를 사용하여 카운트 연산을 위한 효율적인 시프트를 구현하기 위해 RSP 신호를 사용하는 일 실시예의 개략도이다. 어레이(1200)는 다음의 컬럼: 행(1210), 벡터(1220), 위치(1230), X-보관(1240), RSP 신호(1245), 및 RSP 열(1250)을 포함할 수 있다.

행(1210)은 어레이(1200)의 행의 인덱스일 수 있다. 어레이(1200)는 16개의 행이 있을 수 있지만, 어레이(1200)는 32, 64, 128, 256, 512, 1024, 2000 등과 같은 임의의 수의 행일 수 있다. 벡터(1220)는 행 n으로부터의 비트가 행 0에 재배치되어야 하는 비트의 벡터일 수 있다, 즉, (예를 들어, 다른 열의 행 0에 있는 비트에 이를 추가하기 위해) 위치 n의 비트의 값은 위치 0으로 복사되어야 한다. 각각의 행에서, 비트의 값은 시프팅될 값이며 "X"로 표기된 값인 행 n에 저장된 값을 제외하고는 "y"로 표기될 수 있다. 벡터(1220)의 모든 비트는 값 "0" 또는 값 "1"을 가질 수 있다. 위치 열(1230)은 비트(X로 표기됨)가 시프팅될 것이며 값이 "1"로 설정되어 있는 행 n에서를 제외하고는 모든 행에서 값 "0"을 갖는 열일 수 있다. X-보관(1240)는 벡터(1220)와 위치(1230)의 값 사이의 부울 AND 연산의 결과일 수 있다. X-보관(1240)은 벡터(1220)의 행 n에 저장된 값 X를 보관할 수 있고 벡터(1220)의 모든 다른 행의 값을 널(null)로 만들 수 있다.

RSP 신호(1245)는 X-보관(1240)의 모든 셀에 대해 수행된 OR 연산의 결과이고 값 X를 가질 수 있다. X-보관(1240)의 모든 비트의 값이 행 n에 저장된 값 X를 제외하고는 "0"이므로, X-보관(1240)의 모든 셀에 대한 OR 부울 연산의 값은 값 X일 것임을 알 수 있다. 셀 RSP 신호(1245)에서 수신된 값은 행 n에서 행 0으로 값 X를 효과적으로 시프팅하는 셀 0을 포함하는 RSP(1250)의 모든 셀에 또한 기입될 수 있다.

전술한 k-최소치 알고리즘은 k 최근접 이웃(K-NN) 데이터 마이닝 알고리즘에 의해 사용될 수 있다. K-NN에서, D는 q개의 객체를 포함하는 대형 데이터세트를 나타낼 수 있다 (q는 엄청나게 큼). D^P는 데이터세트 D의 하나의 객체이고: D^P ∈ D, A는 분류할 객체이다. 객체는 수치 속성의 벡터에 의해 정의된다: A는 n개의 속성의 벡터 에 의해 정의되고, D^P는 동일한 n개의 속성의 벡터 에 의해 정의된다. m 비트의 이진수 C^P인, 객체 A와 객체 D^P 사이의 거리가 도입된 객체 A와 데이터세트 D의 각각의 객체 D^P 사이에서 산출된다. 거리 C^P는 2개의 0이 아닌 벡터들 사이의 코사인 유사도를 나타낼 수 있다. 본 기술분야에서 공지된 코사인 유사도는 벡터의 각각의 쌍을 벡터의 내적으로 알려져 있는 스칼라 양과 연관시킨다.

코사인 거리는 공식:

을 사용하여 산출될 수 있다.

거리 C^P는 객체 A와 데이터세트 내의 각각의 객체 D^P 사이에서 산출되고, 대형 데이터세트 C에 이진수로 저장된다. k-최소치 알고리즘은 일정한 시간 내에 A의 k개의 최근접 이웃을 나타내는 C에서 k개의 가장 작은 이진수를 찾을 수 있다.

예를 들어 K-NN 알고리즘에 의한 사용을 위해 k-최소치 알고리즘의 산출을 완료하는 데 필요한 단계의 수는 극도로 클 수 있는 데이터세트의 객체의 수 (q)가 아니라, 데이터세트에 저장된 객체의 크기(A와 데이터세트의 객체 사이의 거리를 나타내는 이진수를 구성하는 비트 수, 즉 m)에만 달려 있음을 알 수 있다. 알고리즘의 산출은 데이터세트의 모든 행에서 동시에 행해질 수 있다. 데이터세트에 객체의 임의의 추가가 k-최소치 프로세서(120)의 처리 시간을 연장시키지 않을 수 있음을 또한 알 수 있다. 온라인 애플리케이션에서 사용된다면, 데이터세트로부터 객체의 객체 취출 시간은 데이터세트가 커질 때와 동일하게 유지될 수 있다.

전술한 본 발명을 사용하는 질의의 처리량은 현재 질의의 결과가 사용자에게 반환되기 전에 다음 질의의 산출을 시작함으로써 개선될 수 있다는 것을 알 수 있다. k-최소치 프로세서(120)는 객체가 그 상태를 후보로부터 자격으로 변경한 반복 식별자를 표기하기 위해 각각의 이진수에 수치 표시를 추가함으로써 세트 대신에 아이템의 순서화된 목록을 생성할 수 있음을 또한 알 수 있다. 더 작은 이진수가 더 큰 이진수보다 빨리 자격을 갖게 되기 때문에, 더 작은 이진수의 반복 식별자는 또한 데이터세트 C의 더 큰 이진수의 반복 식별자보다 작을 수 있다.

달리 언급되지 않는 한, 앞의 논의에서 명백한 바와 같이, 명세서 전반에 걸쳐, k개의 최소 수에 대한 논의는 k개의 최대 수에 준용되며 그 반대의 경우도 마찬가지이고, 극한 수라고 지칭될 수 있음이 이해된다.

출원인은 K-NN 프로세스가 음성 인식, 이미지 및 비디오 인식, 추천 시스템, 자연 언어 처리 등과 같은 수많은 분야에서 분류기 및 인식 시스템의 속도를 개선시키는 데 이용될 수 있다는 것을 깨달았다. 출원인은 또한 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 K-NN 알고리즘이 O(1)의 우수한 계산 복잡도를 제공하기 때문에 이전에는 사용되지 않았던 분야에서 사용될 수 있음을 깨달았다.

어느 시점에서 분류를 위해 K-NN 알고리즘을 사용할 수 있는 수많은 데이터 마이닝 사례의 이벤트의 흐름을 도시하는 도 13이 이제 참조된다. 시스템(1300)은 입력 신호(1310)로부터 특징(1330)을 추출하는 특징 추출기(1320), 및 입력 신호(1310)의 아이템의 인식 및/또는 분류(1350)를 발생시키는 K-NN 분류기(1340)를 포함할 수 있다.

신호(1310)는 이미지, 음성, 문서, 비디오 등일 수 있다. 이미지의 경우, 특징 추출기(1320)는 학습 단계 등에 있는 콘볼루션 신경 네트워크(CNN)일 수 있다. 발화의 경우, 특징(1330)은 멜 주파수 켑스트럴 계수(mel-frequency cepstral coefficient, MFCC)일 수 있다. 문서의 경우, 특징은 정보 이득(information gain, IG), Chi 스퀘어(Chi Square, CHI), 상호 정보(mutual information, MI), 산출된 Ng-Goh-Low(NGL) 계수 값, 산출된 Galavotti-Sebastiani-Simi(GSS) 계수 값, 관련성 스코어(Relevancy score, RS), MSF DF, 문서 빈도에 대한 용어 빈도(term frequency for the document frequency, TFDF) 등일 수 있다. 추출된 특징은 K-NN 분류기(1340)가 동작할 수 있는 도 1의 메모리 계산 디바이스(100)와 같은 디바이스에 저장될 수 있다. 분류(1350)는 이미지 인식과 같은 아이템의 예측된 클래스, 또는 이미지 신호에 대한 분류; 오디오 신호에 대한 발화 검출 또는 잡음 제거; 문서 신호에 대한 문서 분류 또는 스팸 검출; 등일 수 있다.

예를 들어, CNN 네트워크는 분류가 알려져 있는 아이템의 트레이닝 세트를 사용하여 학습을 시작할 수 있다는 것을 알 수 있다. 짧은 학습 시간 후에, 네트워크의 첫 수렴이 관찰된다. 학습 단계는 일반적으로 안정되고 신뢰할 수 있는 네트워크의 완전한 수렴을 위해 몇 시간 및 며칠 지속된다.

본 발명의 바람직한 실시예에 따르면, 학습은 수렴의 시작 직후에 중지될 수 있고, 네트워크는 완전한 수렴이 달성되기 전에 이러한 "과도적" 상태로 저장될 수 있다.

본 발명의 바람직한 실시예에 따르면, "과도적" 상태에 있는 네트워크를 사용하여 산출된 트레이닝 세트의 활성화 값은 트레이닝 세트 내의 각각의 아이템의 특징(1330)으로서 정의될 수 있고, 그러한 각각의 아이템의 분류와 함께 저장될 수 있다. 특징은 정규화될 수 있다는 것을 알 수 있다 - 즉, 각각의 아이템의 모든 활성화의 제곱의 합은 더해서 최대 1.0으로 설정될 수 있다.

분류될 새로운 아이템이 수신되는 경우, 과도적 상태에 있는 네트워크를 사용하여 아이템에 대해 CNN이 수행되고, 저장된 특징을 사용하는 K-NN 절차가 새로운 아이템을 분류하는 데 사용될 수 있다. 새로운 아이템의 K-NN 분류는 새로운 객체의 특징 세트와 데이터베이스의 아이템 사이의 코사인 유사도를 산출하고, 상세히 전술한 바와 같이 k개의 최근접 이웃의 클래스의 클래스로 새로운 아이템을 분류함으로써 수행될 수 있다.

전술한 k-최소치 방법을 사용하는 K-NN 알고리즘은 표준 CNN의 마지막 부분을 대체할 수 있다는 것을 알 수 있다.

K-NN 알고리즘의 추가는 트레이닝 기간 시간을 대폭 감소시키면서 부분적으로 트레이닝된 신경 네트워크로 높은 분류 정확성을 제공할 수 있음을 알 수 있다.

분류를 위해 CNN을 K-NN과 함께 사용하는 것은 이미지 및 비디오 인식, 추천 시스템, 자연 언어 처리 등과 같은 애플리케이션에서 네트워크의 완전히 연결된 부분을 대체할 수 있다.

본 출원인은 위에서 기술된 KNN 프로세스가 자연 언어 처리(NLP)를 위해 유용할 수 있다는 점을 인식하였다.

책, 서면 합의, 또는 전체 위키피디아 등의 긴 텍스트를 고려해 볼 수 있다. 종래 기술의 자연 언어 처리기(NLP)는, 이러한 긴 텍스트의 질의의 세트를 문의할 수 있고 올바른 답변을 얻을 수 있는 신경 네트워크를 생성한다. 이를 위해, 종래 기술의 자연 언어 처리기(NLP)는 재귀형 신경 네트워크(RNN)를 이용한다. 본 발명의 바람직한 실시예에 따르면, 긴 텍스트는 메모리(110)에 저장될 수 있고 위에서 기술된 KNN 프로세스와 연관 메모리 어레이(140)는 O(1)의 일정한 계산 복잡도로 복잡한 질의에 답변할 수 있다. NLP는 또한 언어 번역, 멀웨어 검출 등을 위해서도 활용될 수 있다.

신경 네트워크에 대한 입력은 키 벡터(key vector)이고 출력은 신경 네트워크에서 입력 키와 모든 다른 키 사이의 유사도 검색에 의해 신경 네트워크 내에 생성된 값 벡터이다. 질의에 답변하기 위해서, 답변을 찾을 때까지 필요한 많큼 많은 반복 동안, 출력이 다음 쿼리로서 루프백될 수 있다. 본 출원인은 메모리 계산 디바이스(100) 등의 연관 처리 유닛(APU)이, 신경 네트워크를 이용한 자연 언어 처리에 필요한 모든 것을 달성하기 위해, 정확한 매치는 아닌 코사인 유사도 등의 임의의 검색 기능을 수행할 수 있음을 알게 되었다.

단-대-단(End to End) 메모리 네트워크 아키텍처 - 종래 기술

입력 표현: 줄거리는 문장들 {x_i}로 이루어지는데 이러한 문장들로부터 특징 벡터 m_i의 세트가 이미 교시된 RNN, 오토 인코더, 또는 k-NN 등의 임의의 여타 방법에 의해 생성된다. 이러한 특징은 신경 네트워크에 저장된다. 그 다음으로 질의 q는 또한, 또다른 이미 교시된 임베딩을 이용하여 (문장과 동일한 차원을 갖는) 특징 벡터로 변환된다. 그 다음에 신경 네트워크는 각각의 특징 m_i와 q의 행렬 곱셈으로서 유사도를 계산한다. 그 후 SoftMax 알고리즘이 확률 벡터를 얻기 위해 계산된다. 모든 신경 네트워크 상에서 또는 k-최근접 이웃 벡터 상에서 SoftMax가 수행될 수 있다.

출력 표현: 출력을 생성하기 위해, 확률 벡터에 수정된 특징 벡터 c_i(통상적으로 특징 m_i와 동일하거나 이와 매우 유사함)가 곱해진다. 곱셈 후에 프로세서는 출력 지원 벡터를 얻기 위해 모든 N개의 곱(product) 또는 단지 k-최근접 이웃들을 누적시킨다(이러한 결과는 올바른 답변을 얻는 데 도움이 되는 중간 답변이다).

최종 예측 생성: 중간 답변은 (모델의 다중 레이어 변화에 있어서) 또다른 홉을 위한 새로운 쿼리로서 또는 (3회의 홉 이후에) 최종 스테이지에서 원래 질의와 병합된다. 그 다음에 값 벡터에 연관된 SoftMax 확률을 곱한 후 모든 벡터를 "어텐션 벡터(attention vector)"라 불리는 하나의 벡터에 더함으로써 예측된 답변이 생성된다.

연관형 구현

본 발명의 바람직한 실시예에 따르면, 메모리 계산 디바이스(100)는 완전히 스케일 조정 가능하므로, 텍스트의 크기에 어떠한 제한도 가지지 않는다. 이는 수백만 개의 문장을 저장할 수 있다. 전형적인 연관 메모리 서버는 수천만 개의 문장을 지닐 수 있고, 이는 거대한 데이터 베이스를 저장하기에 충분하다. 예를 들면, 위키피디아는 20억 개의 영어 단어를 가진다. 이들이 5억 개의 문장으로 나뉜다고 가정할 때, 전체 위키피디아는 30 내지 50개의 연관 메모리 서버에 저장되거나 사전 해싱을 이용하는 경우 단일 서버에 저장될 수 있다. 이후 보다 상세하게 기술되는 본 발명의 바람직한 실시예에 따르면 모든 실행 단계가 모든 문장에 병렬적으로 일어나며 O(1)의 복잡도를 가진다.

메모리 계산 디바이스(100)는 임의의 적합한 메모리 어레이, 예컨대 SRAM, 비휘발성, 휘발성 및 비파괴 어레이로 형성될 수 있고, 본 발명의 공통 양수인에게 양도되어 원용에 의해 본원에 통합되는 US 9,418,719 (P-13001-US)에 기술된 바와 같이, 복수의 비트 라인 프로세서(114)로 형성될 수 있고 각각의 비트 라인 프로세서는 단어의 한 비트를 처리하며 각 단어는 연관 메모리 어레이(140)의 열에 저장된다.

따라서, 어레이(140)의 각각의 열은 다수의 비트 라인 프로세서를 가질 수 있다. 이는 6개의 예시적인 2-비트 단어, A, B, Q, R, X 및 Y가 처리될 어레이(140)의 일부를 나타내는 도 14에서 볼 수 있는데, 이제 도 14에 대해 간략히 살펴본다. A1 및 B1의 비트는 비트 라인(156)을 따라 비트 라인 프로세서(114A)에 저장될 수 있고, A2 및 B2의 비트는 비트 라인(158)을 따라 섹션(114B)에 저장될 수 있다. Q1 및 R1 비트는 비트 라인(170)을 따라 비트 라인 프로세서(114A)에 저장될 수 있고, Q2 및 R2 비트는 비트 라인(172)을 따라 비트 라인 프로세서(114B)에 저장될 수 있다. X1 및 Y1 비트는 비트 라인(174)을 따라 비트 라인 프로세서(114A)에 저장될 수 있고, X2 및 Y2 비트는 비트 라인(176)을 따라 비트 라인 프로세서(114B)에 저장될 수 있다.

통상적으로, M 비트 단어에 대하여, 단어의 상이한 비트를 각각 저장하는 M개의 섹션이 있을 수 있다. 각각의 섹션은 상당한 수 N(예컨대, 2048)의 비트 라인, 따라서 비트 라인 프로세서를 가질 수 있다. 각 섹션은 비트 라인 프로세서의 행을 제공할 수 있다. 따라서, N개의 M-비트 단어가 병렬적으로 처리될 수 있고, 각각의 비트가 별개의 비트 라인 프로세서에 의해 병렬적으로 처리될 수 있다.

셀 열(150) 등의 통상적인 셀 열이, 이러한 열의 제1의 몇몇 셀에서 처리될 입력 데이터를 저장할 수 있다. 도 5에서 A, Q 및 X 단어의 비트는 열의 제1 셀들에 저장되지만, B, R 및 Y 단어의 비트는 열의 제2 셀들에 저장된다. 본 발명의 바람직한 실시예에 따르면, 각각의 열에서 나머지 셀들은 (한 열에 20 내지 30개의 셀들이 있을 수 있음) 처리 동작 중에 사용되도록 임시 저장으로 남겨질 수 있다.

멀티플렉서는 비트 라인 프로세서의 행들을 연결할 수 있고, 행 디코더가 각 비트 라인 프로세서에서 적절한 셀을 활성화할 수 있다. 위에서 설명한 바와 같이, 메모리 어레이에서 셀들의 행은 워드 라인에 의해 연결되고, 따라서 디코더는 판독을 위해 비트 라인 프로세서의 셀의 관련된 워드 라인을 활성화시키고 기록을 위해 비트 라인 프로세서의 상이한 세트에서 관련된 워드 라인을 활성화시킬 수 있다.

위에서 기술한 자연 언어 처리를 위해, 도 15에는 연관 메모리에서의 데이터 조직화가 도시되어 있으며, 이제 도 15에 관해 살펴본다. 결과를 생성하기 위해 필요한 3회의 반복 각각에 대해 하나씩 3개의 주요 부분(1410-j)이 있다. 각각의 부분은 3개의 연산 섹션 즉, 각 열에 대해 유사도 값을 계산하기 위한 유사도 섹션(1412-j), 유사도 결과에 대해 SoftMax 계산을 수행하기 위한 SoftMax 섹션(1414-j) 및 어텐션 벡터 또는 지원 답변을 결정하기 위한 값 섹션(1416-j)으로 분할될 수 있다. 각 섹션의 열들은 상이한 반복들의 열들과 마찬가지로 서로 정렬된다는 점을 이해할 것이다. 따라서, 특징 x에 대한 연산이 모든 연산에 있어서 동일한 열 내에서 일반적으로 발생할 것이다.

N개의 입력 문장의 특징 또는 키 벡터 M¹ _i는 메모리(110)의 부분(1412-1)에 저장되고, 각 특징 벡터 M¹ _i는 별개의 열에 저장된다. 따라서, 특징 벡터 M¹ ₀는 0 열에 저장되고, M¹ ₁은 1 열에 저장되는 등이며, 각 벡터 M¹ _i의 각 비트는 자신의 비트 라인 프로세서(114)에 저장될 수 있다. 위에서 살펴본 바와 같이, 특징 벡터는 사전-트레이닝된 신경 네트워크 또는 임의의 여타 벡터화 특징 추출기의 출력일 수 있고 필요에 따라 단어, 문장, 문서 등의 특징일 수 있다.

N개의 입력 문장과 연관되는 수정된 특징 벡터 C¹ _i는 연관된 M^j _i의 동일한 값을 가질 수 있거나, 이러한 벡터 중 일부 또는 모두가 몇몇의 적합한 방식으로 수정될 수 있다. 수정된 특징 벡터 C^j _i는 값 섹션(1416-1)에 초기 저장될 수 있다. 유사한 데이터가 각각 나머지 반복 j에 대해 유사도 섹션(1412-j) 및 값 섹션(1416-j)에 저장될 수 있다.

유사도 섹션(1410-j)에 대하여, 메모리 계산 디바이스(100)는 병렬적으로 각각의 열에 대해 입력 벡터 q_j와의 점 행렬 곱셈(또는 코사인 유사도)을 구현할 수 있고, 유사도 섹션(1410-j)의 각 열에서 입력 벡터와 특징 벡터 간의 거리일 수 있는 그 결과를 위에서 논의한 바와 같이 연관된 비트 라인 프로세서(114)에 저장할 수 있다. 예시적인 행렬 곱셈 연산이 미국 특허 출원 15/466,889(본 발명의 공통 양수인에게 양도되고 원용에 의해 본원에 통합됨)에 기술되어 있다. 입력 벡터는 반복 1에 대한 초기 질의일 수 있고 나머지 반복들 j에서는 속행 질의(follow on question)일 수 있다.

마커 벡터 T는, 필요한 경우 새로운 입력 벡터를 잊어버리거나 삽입 및 업데이트하기 위해 선택된 열을 특정하는 데 이용될 수 있고, 행(1420)으로 구현되어 모든 반복을 위해 동작될 수 있다.

"SoftMax 기능"이라는 위키피디아 항목에 기술된 SoftMax 연산은, (마커 벡터 T에 의해 선택된 열에 대해) 연관된 유사도 섹션(1412-j)에서 수행되는 점 행렬 또는 코사인 유사도 연산의 결과에 기하여 SoftMax 섹션(1414-j)에서 구현될 수 있다. SoftMax 연산은 부분(1412)의 유사도 결과에 기초하여 각각의 활성 열에 대해 발생 확률을 결정할 수 있다. 이러한 발생 확률은 0 내지 1의 값을 가지며 확률은 합해져 1.0이 된다.

SoftMax 연산은 테일러 급수 근사로 구현될 수 있는 수많은 지수 연산을 포함할 수 있고, 각 연산의 중간 데이터는 관련된 SoftMax 부분(1414-j)의 비트 라인 프로세서에 저장된다.

값 섹션(1416-j)에서, 수정된 특징 벡터 C^j _i는 각각 자신의 비트 라인 프로세서(114)에서 연관된 SoftMax 값으로 곱해질 수 있다. 그러면 곱해진 C^j _i 벡터의 벡터 합으로 첫 번째 지원 답변이 생성될 수 있다. 이러한 합은, 어텐션 연산에서, 마커 벡터 T에 의해 선택된 모든 열에 걸쳐 수평으로 누적될 수 있다. SoftMax 값으로 가중되는, 키 벡터의 가중된 합인 벡터 결과가 제어기에 제공되어 다음 홉 또는 반복을 위한 질의를 생성하는 데 이용될 수 있다. 도 15는, 메모리 어레이(110)의 바닥에 초기 반복을 위한 초기 부분을 보여주는데, 추가적인 반복의 데이터는 그 위의 부분에 저장되어 있다. 3회의 반복이 도시되어 있으며, 각각 입력 질의 q_j를 갖고 출력으로서 지원 또는 최종 답변을 가진다.

초기 질의 q₁은 메모리 계산 디바이스(100)의 외부에 있는 사전-트레이닝된 신경 네트워크를 이용하여 질의 생성기에 의해 생성될 수 있다는 점을 인식할 것이다. 해답에 이를 때까지 (통상적으로 세 번째 반복이지만 보다 많은 반복도 가능함) 나머지 질의 q_j는 원래의 벡터 질의와 어텐션 벡터의 조합일 수 있다.

이러한 조합은 2개의 입력 벡터와 하나의 출력 벡터를 갖는 외부 신경 네트워크에 기초할 수 있다. 입력 벡터는 원래의 질의 벡터 q₁과 이전 반복의 어텐션 벡터이고, 출력은 새로운 벡터 질의이다. 이러한 신경 네트워크는 메모리의 비트 라인에 대한 행렬 곱셈에 의해 구현될 수 있거나 외부적으로 구현될 수 있다. 유사도 섹션(1412-j)에 저장된 초기 데이터는 동일할 수 있다는 점(즉, 질의들 q_j 간의 거리는 동일한 데이터에 관한 것임)을 인식할 것이다. 마찬가지로, 값 섹션(1416-j)에 저장된 초기 값 데이터는 동일할 수 있다(즉, SoftMax 값으로 곱해질 데이터가 동일함).

성능

모든 문장 특징이 메모리에 저장되는 경우, 행렬 곱셈은 쿼리 벡터의 크기 곱하기 100개의 사이클을 필요로 한다. 문장마다 10개 이하의 특징을 가정하면, 모든 N개의 문장에 대해 병렬적으로 1000개의 클록을 획득하거나 모든 N개마다 1μsec(1Ghz 클록을 이용)를 획득한다. SoftMax는 대략 1μsec를 필요로 하며, 곱셈과 누적 연산은 4μsec를 필요로 한다. 3개의 홉/반복은 3X(1+1+4)∼20μsec를 필요로 하고, 초당 50,000개의 질의를 가능하게 한다.

이제 도 16에 간략하게 살펴보는데, 도 16에 도시된 대안적인 시스템(1500)은 단지 1회의 반복을 다룰 수 있을 정도로 충분히 클 수 있는 연관 메모리(1510)와 나머지 계산을 다루는 다른 요소를 포함할 수 있다.

앞선 실시예에서와 마찬가지로, 연관 메모리(1510)는 여기서 "키"라고 불리는 특징 벡터에 대해 연산하기 위한 유사도 섹션(1512), SoftMax 연산을 구현하기 위한 SoftMax 섹션(1514), 및 특징 벡터와 연관된 값에 대해 연산하기 위한 값 섹션(1516)을 포함할 수 있다. 이러한 실시예는 일정한 시간 내에 메모리(1510) 내에서 모든 홉을 실행할 수 있다. 도 16에 도시된 바와 같이, 몇몇 연산은 메모리(1510)에서 일어나지만 다른 연산은 메모리(1510) 외부에서 일어난다. 성능은 홉마다 대략 6μsec로 단-대-단 구현과 대략 동일하다.

임의의 긴 메모리 네트워크로의 유연성

연관 프로세서가 메모리의 모든 비트 라인에 대해 병렬적으로 계산하는, 일정한 시간으로 내용물-검색(search-by-content)의 모든 능력을 가지고 있기 때문에, 다양한 유형의 메모리 네트워크, 예컨대 Directly Reading Documents(Miller, Jason, 등, EMNLP 2016)에 대한 키-값 메모리 네트워크를 나타낼 수 있다는 점을 인식할 것이다.

본 발명의 특정 특징이 본 명세서에 도시되고 기술되었지만, 많은 수정, 대체, 변경 및 균등물이 이제 본 기술분야의 통상의 기술자에게 일어날 것이다. 따라서, 첨부된 청구 범위는 본 발명의 진정한 사상 내에 있는 그러한 모든 수정 및 변경을 포함하도록 의도된 것으로 이해되어야 한다.

Claims

자연 언어 처리를 위한 시스템으로서,
행과 열을 갖는 메모리 어레이 ― 상기 메모리 어레이는, 복수의 키(key) 또는 특징 벡터를 초기 저장하는 유사도 섹션, 상기 키 또는 특징 벡터의 발생의 확률을 결정하기 위한 SoftMax 섹션, 복수의 수정된 특징 벡터를 초기 저장하는 값 섹션(value section), 및 연산이 이루어질 열을 특정하는 마커 벡터를 저장하는 마커 섹션으로 분할되고, 상기 메모리 어레이의 하나 이상의 열에서의 연산은 처리될 하나의 특징 벡터와 연관됨 ―; 및
메모리 내(in-memory) 프로세서
를 포함하고, 상기 메모리 내 프로세서는 상기 마커 벡터에 의해 특정되는 각각의 열에서:
각각의 표시된 상기 열에서 유사도 출력을 생성하기 위해, 각각의 표시된 상기 열에 저장된 각각의 상기 특징 벡터와 벡터 질의 사이의, 상기 유사도 섹션에서의 유사도 연산;
각각의 표시된 상기 특징 벡터에 대해 연관된 SoftMax 값을 결정하기 위해, 상기 유사도 섹션에서의 각각의 상기 유사도 출력에 대한 상기 SoftMax 섹션에서의 SoftMax 연산 ― 상기 SoftMax 연산의 지수 연산들의 중간 출력은 각각의 표시된 상기 열의 상기 SoftMax 섹션의 비트 라인 프로세서에 저장됨 ―; 및
각각의 표시된 상기 열에서 곱셈 출력을 생성하기 위해, 상기 SoftMax 섹션에서의 각각의 상기 연관된 SoftMax 값에, 각각의 표시된 상기 열에 저장된 각각의 수정된 상기 특징 벡터를 곱하는, 상기 값 섹션에서의 곱셈 연산
을 병렬적으로 수행하도록 상기 메모리 어레이를 활성화하고,
상기 메모리 내 프로세서는 또한, 어텐션 벡터 합(attention vector sum)을 누적시키기 위해, 각각의 표시된 상기 열에서 상기 곱셈 출력의 상기 값 섹션에서의 수평 벡터 합을 수행하게 되고, 벡터 합은 추가적인 반복을 위해 새로운 벡터 질의를 생성하거나 최종 반복에서 출력 값을 생성하기 위해 사용될 것인, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 메모리 어레이는, 자연 언어 처리 연산의 반복마다 하나씩 다수의 연산부를 포함하고, 각각의 연산부는 상기 유사도 섹션, SoftMax 섹션, 및 값 섹션으로 분할되는, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 메모리 어레이는 SRAM, 비휘발성, 휘발성, 및 비파괴형 어레이 중 하나인, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 메모리 어레이는 각각의 상기 섹션의 열마다 하나씩 다수의 비트 라인 프로세서를 포함하고, 각각의 상기 비트 라인 프로세서는 연관된 섹션의 데이터의 하나의 비트에 대해 동작하는, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 특징 벡터 및 수정된 특징 벡터를 생성하기 위한 신경 네트워크 특징 추출기를 더 포함하는, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 특징 벡터는 단어, 문장, 또는 문서의 특징을 포함하는, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
상기 특징 벡터는 사전-트레이닝된 신경 네트워크의 출력인, 자연 언어 처리를 위한 시스템.
제1항에 있어서,
초기 벡터 질의를 생성하기 위한 사전-트레이닝된 신경 네트워크를 더 포함하는, 자연 언어 처리를 위한 시스템.
제8항에 있어서,
상기 초기 벡터 질의 및 상기 어텐션 벡터 합으로부터 추가적인 질의를 생성하기 위한 질의 생성기를 더 포함하는, 자연 언어 처리를 위한 시스템.
제9항에 있어서,
상기 질의 생성기는 신경 네트워크인, 자연 언어 처리를 위한 시스템.
제9항에 있어서,
상기 질의 생성기는 상기 메모리 어레이의 비트 라인 상에서 행렬 곱셈기로 구현되는, 자연 언어 처리를 위한 시스템.
자연 언어 처리를 위한 방법으로서,
행과 열을 갖는 메모리 어레이를 구비하는 단계 ― 상기 메모리 어레이는, 복수의 키 또는 특징 벡터를 초기 저장하는 유사도 섹션, 상기 키 또는 특징 벡터의 발생의 확률을 결정하기 위한 SoftMax 섹션, 복수의 수정된 특징 벡터를 초기 저장하는 값 섹션, 및 연산이 이루어질 열을 특정하는 마커 벡터를 저장하는 마커 섹션으로 분할되고, 상기 메모리 어레이의 하나 이상의 열에서의 연산은 처리될 하나의 특징 벡터와 연관됨 ―; 및
상기 마커 벡터에 의해 특정되는 각각의 열에서:
각각의 표시된 상기 열에서 유사도 출력을 생성하기 위해, 각각의 표시된 상기 열에 저장된 각각의 상기 특징 벡터와 벡터 질의 사이의, 상기 유사도 섹션에서의 유사도 연산;
각각의 표시된 상기 특징 벡터에 대해 연관된 SoftMax 값을 결정하기 위해, 상기 유사도 섹션에서의 각각의 상기 유사도 출력에 대한 상기 SoftMax 섹션에서의 SoftMax 연산 ― 상기 SoftMax 연산의 지수 연산들의 중간 출력은 각각의 표시된 상기 열의 상기 SoftMax 섹션의 비트 라인 프로세서에 저장됨 ―; 및
각각의 표시된 상기 열에서 곱셈 출력을 생성하기 위해, 상기 SoftMax 섹션에서의 각각의 상기 연관된 SoftMax 값에, 각각의 표시된 상기 열에 저장된 각각의 수정된 상기 특징 벡터를 곱하는, 상기 값 섹션에서의 곱셈 연산; 및
어텐션 벡터 합을 누적시키기 위해, 각각의 표시된 상기 열에서 상기 곱셈 출력의 상기 값 섹션에서의 수평 벡터 합 연산 ― 벡터 합은 추가적인 반복을 위해 새로운 벡터 질의를 생성하거나 최종 반복에서 출력 값을 생성하기 위해 사용될 것임 ―
을 병렬적으로 수행하도록 상기 메모리 어레이를 활성화하는 단계를 포함하는, 자연 언어 처리를 위한 방법.
제12항에 있어서,
상기 메모리 어레이는 각각의 상기 섹션의 열마다 하나씩 다수의 비트 라인 프로세서를 포함하고, 상기 방법은 각각의 상기 비트 라인 프로세서가 연관된 섹션의 데이터의 하나의 비트에 대해 동작하는 단계를 더 포함하는, 자연 언어 처리를 위한 방법.
제12항에 있어서,
신경 네트워크를 이용하여 상기 특징 벡터 및 수정된 특징 벡터를 생성하여 상기 유사도 섹션 및 값 섹션에 각각 저장하는 단계를 더 포함하는, 자연 언어 처리를 위한 방법.
제12항에 있어서,
상기 특징 벡터는 단어, 문장, 또는 문서의 특징을 포함하는, 자연 언어 처리를 위한 방법.
제12항에 있어서,
사전-트레이닝된 신경 네트워크를 이용하여 초기 벡터 질의를 생성하는 단계를 더 포함하는, 자연 언어 처리를 위한 방법.
제16항에 있어서,
상기 초기 벡터 질의 및 상기 어텐션 벡터 합으로부터 추가적인 질의를 생성하는 단계를 더 포함하는, 자연 언어 처리를 위한 방법.
제17항에 있어서,
추가적인 질의를 생성하는 것은 신경 네트워크를 활용하는, 자연 언어 처리를 위한 방법.
제17항에 있어서,
상기 추가적인 질의를 생성하는 것은 상기 메모리 어레이의 비트 라인 상에서 행렬 곱셈을 수행하는 것을 포함하는, 자연 언어 처리를 위한 방법.