【技术实现步骤摘要】
【国外来华专利技术】振荡忆阻神经形态电路的学习算法相关申请的交叉引用本申请要求于2016年10月27日提交的美国临时申请号62/413,673的优先权的利益，该申请的全部内容特此通过引用被并入本文。背景忆阻器是无源非线性双端电气部件。在忆阻器中，设备的电阻取决于先前流经设备的历史电流。因此，忆阻器在任何给定时间的电阻或阻抗取决于先前有多少电荷以及以何种方向流经忆阻器。忆阻器对于突触网络的应用被提议为在神经形态电路发展的领域中有前途的方法。忆阻器与基于互补金属氧化物半导体(CMOS)的电路一起并入到交叉突触网络中，以用于突触前和突触后的电压控制。这些电路证明了基于CMOS的电压和电流控制可以用于产生忆阻器的电阻或阻抗(例如，存储)的变化。专利技术概述在一个示例实施例中，神经形态电路学习网络包括多个神经形态电路节点，其中每个神经形态电路节点包括识别神经元单元和生成神经元单元。该网络还包括在神经形态电路节点中的识别神经元单元之间的多个神经形态电路前馈耦合器以及在神经形态电路节点中的生成神经元单元之间的多个神经形态电路反馈耦合器。学习控制器被配置为在第一模式中通过神经形态电路前馈耦合器来驱动在...
【技术保护点】
1.一种神经形态电路学习网络，包括：多个神经形态电路节点，每个神经形态电路节点包括识别神经元单元和生成神经元单元；在所述神经形态电路节点中的所述识别神经元单元之间的多个神经形态电路前馈耦合器；在所述神经形态电路节点中的所述生成神经元单元之间的多个神经形态电路反馈耦合器；以及学习控制器，其被配置为在第一模式中：通过所述神经形态电路前馈耦合器来驱动在所述识别神经元单元之间的活动；以及训练所述生成神经元单元，以用于通过所述神经形态电路反馈耦合器进行学习。
【技术特征摘要】
【国外来华专利技术】2016.10.27 US 62/413,6731.一种神经形态电路学习网络，包括：多个神经形态电路节点，每个神经形态电路节点包括识别神经元单元和生成神经元单元；在所述神经形态电路节点中的所述识别神经元单元之间的多个神经形态电路前馈耦合器；在所述神经形态电路节点中的所述生成神经元单元之间的多个神经形态电路反馈耦合器；以及学习控制器，其被配置为在第一模式中：通过所述神经形态电路前馈耦合器来驱动在所述识别神经元单元之间的活动；以及训练所述生成神经元单元，以用于通过所述神经形态电路反馈耦合器进行学习。2.根据权利要求1所述的神经形态电路学习网络，其中所述学习控制器还被配置为在所述第一模式中训练所述生成神经元单元，以用于基于所述活动在第二模式期间进行学习。3.根据权利要求2所述的神经形态电路学习网络，其中所述学习控制器还被配置为在第二模式中：通过所述神经形态电路反馈耦合器来驱动在所述生成神经元单元之间的活动；以及训练所述识别神经元单元，以用于通过所述神经形态电路前馈耦合器进行学习。4.根据权利要求3所述的神经形态电路学习网络，其中所述学习控制器还被配置为在所述第二模式中训练所述识别神经元单元，以用于基于所述生成神经元单元的活动在所述第一模式期间进行学习。5.根据权利要求1所述的神经形态电路学习网络，其中：所述多个神经形态电路节点在所述神经形态电路学习网络中形成多个层；以及在所述第一模式中，训练示例被显示给在所述神经形态电路学习网络中的最低层。6.根据权利要求2所述的神经形态电路学习网络，其中：所述多个神经形态电路节点在所述神经形态电路学习网络中形成多个层；以及在第二模式中，随机向量被显示给在所述神经形态电路学习网络中的最高层。7.根据权利要求2所述的神经形态电路学习网络，其中所述学习控制器还被配置为训练反馈权重，以用于作为自动编码器进行操作。8.根据权利要求1所述的神经形态电路学习网络，其中所述多个神经形态电路前馈耦合器中的至少一个或所述多个神经形态电路前馈耦合器中的至少一个包括至少一个忆阻器。9.根据权利要求1所述的神经形态电路学习网络，其中所述多个神经形态电路前馈耦合器中的至少一个或所述多个神经形态电路前馈耦合器中的至少一个包括：长时程增强(LTP)忆阻器，其与长时程抑制(LTD)忆阻器并联地布置；以及差分放大器，其基于在来自所述LTP忆阻器和所述LTD忆阻器的输出信号之间的差来产生差分信号。10.一种神经形态电路学习网络，包括：多个神经形态电路节点，每个神经形态电路节点包括识别神经元单元和生成神经元单元；在所述神经形态电路节点中的所述识别神经元单元之间的...
【专利技术属性】
技术研发人员：杰克·D·肯德尔，胡安·C·尼诺，
申请(专利权)人：佛罗里达大学研究基金会公司，
类型：发明
国别省市：美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。