基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法制造技术

本发明专利技术的一个实施例提供一种用于将神经网络映射到神经突触基底上的系统。所述系统包括：元数据分析单元，用于分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；和映射单元，用于基于元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。

【技术实现步骤摘要】
【国外来华专利技术】基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法
本专利技术涉及神经形态和神经突触计算，并且具体地讲，涉及基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法。神经形态和神经突触计算(也被称为人工神经网络)是由生物大脑启示的计算系统。例如，神经形态和神经突触计算可包括各种电子电路和/或在由生物大脑的神经元启示的处理元件之间创建连接。
技术介绍
在生物系统中，神经元的轴突和另一神经元上的树突之间的接触点被称为突触，并且相对于突触，所述两个神经元分别被称为突触前和突触后。我们的个体经验的本质被存储在突触的传导中。根据尖峰时间相关可塑性(STDP)，突触传导作为突触前神经元和突触后神经元的相对尖峰时间的函数随着时间而变化。如果突触的突触后神经元在突触的突触前神经元激发之后激发，则STDP规则增加突触的传导，并且如果所述两种激发的次序颠倒，则STDP规则减小突触的传导。
技术实现思路
本专利技术的一个实施例提供一种用于将神经网络映射到神经突触基底上的系统。所述系统包括：元数据分析单元，用于分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；和映射单元，用于基于元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。本专利技术的另一个实施例提供一种用于将神经网络映射到神经突触基底上的方法。所述方法包括：分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；以及基于元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。参照下面的描述、所附权利要求和附图，将会理解本专利技术的这些和其它特征、方面和优点。附图说明现在将参照附图仅作为示例描述本专利技术的实施例，其中：图1表示根据本专利技术的实施例的示例性神经突触核心电路(“核心电路”)；图2表示根据本专利技术的实施例的示例性框架；图3表示根据本专利技术的实施例的示例性邻接矩阵；图4表示根据本专利技术的实施例的图3中的示例性邻接矩阵的详细示图；图5表示根据本专利技术的实施例的示例性重新排序图；图6表示根据本专利技术的实施例的示例性重新排序图，该重新排序图具有分割器和合并器以允许提取子矩阵作为可映射块；图7表示根据本专利技术的实施例的提取的子矩阵的示例性映射；图8表示根据本专利技术的实施例的将块标记为映射；图9表示根据本专利技术的实施例的在去除映射的块之后的另一个重新排序图；图10表示根据本专利技术的实施例的用于在神经突触基底上实现神经网络算法的示例性处理的流程图；图11表示根据本专利技术的实施例的用于对输入图进行重新排序的示例性群集方法；图12表示根据本专利技术的实施例的用于对输入图进行重新排序的示例性权重下降分块算法；图13表示根据本专利技术的实施例的用于基于权重下降分块算法对输入图进行重新排序的示例性处理的流程图；图14表示根据本专利技术的实施例的基于成对质心距离最小化对输入图进行重新排序；图15表示根据本专利技术的实施例的用于基于权重下降分块算法对输入图进行重新排序的示例性处理的流程图；图16表示根据本专利技术的实施例的示例性分割表；图17表示根据本专利技术的实施例的示例性合并表；图18表示根据本专利技术的实施例的用于使用元数据提供增强的示例性框架；和图19是显示有助于实现本专利技术的一个实施例的信息处理系统的高层次方框图。具体实施方式本专利技术的实施例涉及神经形态和神经突触计算，并且具体地讲，涉及基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法。本专利技术的一个实施例提供一种用于将神经网络映射到神经突触基底上的系统。所述系统包括：元数据分析单元，用于分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；和映射单元，用于基于元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。本专利技术的另一个实施例提供一种用于将神经网络映射到神经突触基底上的方法。所述方法包括：分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；以及基于元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。如这里所使用的，术语“电子神经元”代表被配置为模拟生物神经元的框架。电子神经元在处理元件之间创建连接，处理元件大体在功能上等同于生物大脑的神经元。如此，根据本专利技术的实施例的包括电子神经元的神经形态和神经突触计算可包括对生物神经元进行建模的各种电子电路。另外，根据本专利技术的实施例的包括电子神经元的神经形态和神经突触计算可包括对生物神经元进行建模的各种处理元件(包括计算机模拟)。虽然这里使用包括数字电路的电子神经元描述本专利技术的某些说明性实施例，但本专利技术不限于电子电路。根据本专利技术的实施例的神经形态和神经突触计算能够被实现为包括电路的神经形态和神经突触框架，并且另外能够被实现为计算机模拟。实际上，本专利技术的实施例能够采用完全硬件实施例、完全软件实施例或者既包含硬件元件又包含软件元件的实施例的形式。如这里所使用的，术语“神经突触程序”代表神经突触网络。神经突触程序构成与下面的内容相关的信息：确定电子神经元对输入尖峰的响应的神经元性质和动态(例如，阈值参数、泄漏参数、延迟参数、重置参数等)、神经元的突触连接(例如，经由突触交叉条实现的突触连接)、轴突性质(例如，轴突类型)和神经元的输出尖峰应该被传送到的一个或多个目的地(例如，目标轴突)。如这里所使用的，术语“神经突触网络”代表神经突触程序的实例化。神经突触网络可被实例化为硬件、仿真或二者。例如，神经突触程序可引起神经突触网络的一个或多个实例，其中所述实例可位于单个核、多个核或多个芯片上。脉冲神经网络可被用来比传统系统更高效地解决计算。神经网络算法代表可按照包括多个节点和多个边的图的形式表示的脉冲神经网络，其中每个节点代表神经元，并且其中每个边代表突触连接。能够使用图表示各种网络和算法，包括信号处理、分类、模式识别、对象识别、机器学习、布尔和逻辑运算、时间联想记忆、控制系统、决策系统、预测模型、认知系统等。然而，神经突触计算与通常由传统(冯·诺依曼)处理器执行的那些计算的不同之处在于：它们是大规模并行异步(事件驱动)的，并且必须高度可伸缩以高效地执行大型图模型。可在神经突触基底上更高效地执行采用图模型的形式的神经网络算法。基底是单独的或组合的硬件、软件、固件或计算的任何其它方式的结构，所述结构被优化以实现、支持或能够实现神经网络算法的高效执行。通过在能够执行的图模型上合并一个或多个约束来实现效率。当在给定神经突触基底上实现任意神经网络算法时，本专利技术的实施例考虑一个或多个约束。例如，如果给定神经突触基底包括软件元件，则可考虑基底的一个或多个软件相关约束。通过非限制性示例，这些可包括系统存储器、数字表示的精度和类型(例如，字节的数量、32位/64位、有符号/无符号、固定/浮点)、处理器的类型(例如，CPU、CPU+GPU、CPU+FPGA)、数据结构或阵列大小、多处理器环境中的消息发送协议(例如，MPI)、系统线程的数量、卡的数量、查询表的数量(Lust)等。作为另一个非限制性示例，如果给定神经突触基底包括硬件元件，则可考虑基底的一个或多个硬件相关约束，诸如与神经元特性(例如，基于线性阈函数的神经元活性、基于S形阈函数的神经元活性)、突触权重(例如，二进制突触权重、整数突触权重、实值突触权重、突触权重的数量、突触权重的动态范围)和/或神经元扇入/扇出(即，任本文档来自技高网...

【技术保护点】
一种用于将神经网络映射到神经突触基底上的系统，包括：元数据分析单元，用于分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；和映射单元，用于基于所述元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。

【技术特征摘要】
【国外来华专利技术】2015.03.18 US 14/662,1151.一种用于将神经网络映射到神经突触基底上的系统，包括：元数据分析单元，用于分析与神经网络的邻接矩阵表示的一个或多个部分关联的元数据信息；和映射单元，用于基于所述元数据信息将矩阵表示的所述一个或多个部分映射到神经突触基底上。2.如权利要求1所述的系统，其中所述元数据信息指定用于将矩阵表示的所述一个或多个部分映射到神经突触基底上的特定映射方式。3.如权利要求1所述的系统，其中所述元数据信息在矩阵表示内指定在映射之前阻止重新排序方法对其进行重新排序的一个或多个维度。4.如权利要求1所述的系统，其中所述元数据信息为在选择用于将矩阵表示的所述一个或多个部分映射到神经突触基底上的映射方式时使用的不同评估度量指定权重。5.如权利要求1所述的系统，其中所述元数据信息指定一个或多个时间约束。6.如权利要求5所述的系统，其中在映射期间添加一个或多个延迟以满足时间约束。7.如权利要求5所述的系统，其中一个或多个触发信号或重置信号在映射期间被添加到神经网络以满足时间约束。8.如权利要求1所述的系统，还包括：库，保持多个库元件，其中每个库元件包括能够重新使用并且能够构造的神经电路；其中每个能够重新使用并且能够构造的神经电路包括单个基底适应神经元、或多个基底适应神经元的组合；以及其中元数据信息被用来识别能针对其查询库元件的神经电路。9.如权利要求8所述的系统，其中至少一个库元件代表能由能够重新使用、能够配置并且能够构造的神经电路实现的神经元功能。10.如权利要求9所述的系统，其中所述库支持不同计算功能和神经代码。11.如权利要求10所述的系统，其中：所述元数据信息指定神经网络的一个或多个计算节点；以及对于每个计算节点，映射单元从库中选择复制计算节点的神经元功能的、具有关联的突触连接性的能够重新使用并且能够构造的神经电路。12.如权利要求11所述的系统，其中选择的每个能够重新使用并且能够构造的神经电路被直接映射到神...

【专利技术属性】
技术研发人员：A·阿米尔，R·奥普斯瓦密，P·达塔，B·G·肖，M·D·弗利克内尔，P·梅罗拉，D·S·莫哈，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：美国,US