卷积神经网络制造技术

本文公开了实现更有效和更少资源密集的CNN的系统和方法。具体而言，公开了使用采样模拟技术(SAT)方法在CNN在模拟领域中的应用。与具有数字逻辑和存储器的CNN设计相比，在SAT中使用CNN设计可降低功耗和运行速度。带有SAT的CNN设计的低功耗使传感器设备能够以非常低的功率检测功能，以实现隔离操作。

【技术实现步骤摘要】
【国外来华专利技术】卷积神经网络相关申请的交叉引用本申请根据35U.S.C.§120要求名称为“卷积神经网络”、专利技术人为EricNestleretal.的2015年12月15日提交的美国申请序列No.62/267,847和2016年12月14日提交的美国申请序列No.15/379,114的优先权的权益。先前申请的公开内容被认为是本申请的公开内容的一部分并且通过引用并入本文。
本专利技术涉及神经网络领域，尤其涉及卷积神经网络。
技术介绍
神经网络是用于估计可能依赖于大量输入的近似函数的数学模型。卷积神经网络是一种用于特征检测的前馈神经网络，其中人造神经元(数学函数)平铺，以便它们响应输入场中的重叠区域。神经网络是计算和资源密集型的。
技术实现思路
公开使用采样模拟技术的神经网络。卷积神经网络(CNN)是用于特征检测的算法和电路。在一些实施方式中，特征的检测或分析可以用于图像数据、音频数据或需要复杂分析以检测其特征的任何其他复杂数据。根据一些实施方式，当输入数据采用具有高度相关局部变量的数组形式并具有移位不变性时，CNN会很有帮助。CNN算法通常用数字逻辑和存储器来实现。然而，用数字逻辑和存储器实现CNN算本文档来自技高网...

【技术保护点】
1.一种使用采样模拟技术的卷积神经网络，包括：包括第一和第二模拟输入数据点的输入源，第一组电容器，用于分析所述第一模拟输入数据点并输出第一模拟卷积输出，和第二组电容器，用于分析所述第二模拟输入数据点并输出第二模拟卷积输出，其中所述第一和第二模拟卷积输出均包括多个特征。

【技术特征摘要】
【国外来华专利技术】2015.12.15 US 62/267,847;2016.12.14 US 15/379,1141.一种使用采样模拟技术的卷积神经网络，包括：包括第一和第二模拟输入数据点的输入源，第一组电容器，用于分析所述第一模拟输入数据点并输出第一模拟卷积输出，和第二组电容器，用于分析所述第二模拟输入数据点并输出第二模拟卷积输出，其中所述第一和第二模拟卷积输出均包括多个特征。2.权利要求1所述的卷积神经网络，还包括可变电容结构阵列，其中所述第一和第二输出通过所述可变电容结构阵列进行多路复用，以产生多路复用的卷积输出。3.权利要求1所述的卷积神经网络，其中所述第一和第二组电容器包括固定电容器，并且其中所述固定电容器是模拟存储器单元。4.权利要求1所述的卷积神经网络，其中所述第一和第二组电容器是具有固定权重的可变电容单元。5.权利要求4所述的卷积神经网络，其中所述固定权重使用存储电容器尺寸实现，并且其中所述存储电容器尺寸等于所述固定权重的权重。6.权利要求1所述的卷积神经网络，其中所述第一组电容器和所述第二组电容器由输入源驱动。7.权利要求1所述的卷积神经网络，还包括：具有电荷的第一固定电压源，和第一电容器数模转换器(capDAC)，其中由所述第一capDAC对来自所述第一固定电压源的电荷进行采样以产生第一偏压值，和其中所述第一偏压值添加到所述第一输出。8.权利要求1所述的卷积神经网络，还包括与所述第一和第二模拟卷积输出耦合的子采样器，其中，所述子采样器平均所述第一和第二模拟卷积输出以产生平均卷积输出，并且其中，所述子采样器使用非线性传递函数处理所述平均卷积输出。9.权利要求8所述的卷积神经网络，其中非线性传递函数是模拟整流函数。10.权利要求1所述的卷积神经网络，还包括耦合所述第一模拟卷积输出的子采样器，其中所述第一模拟卷积输出包括值的子窗口，和其中所述子采样器包括多个模拟电压比较器，用于确定所述第一模拟卷积输出的值的子窗口的最大值。11.一种使用采样模拟技术来实现神...

【专利技术属性】
技术研发人员：E·G·内斯特勒尔，M·M·欧斯奎，J·G·伯恩斯坦，
申请(专利权)人：美国亚德诺半导体公司，
类型：发明
国别省市：美国,US