用于脑仿真的数据生成方法、设备和计算机可读存储介质技术

本公开提供了一种用于脑仿真的数据生成方法、设备和计算机可读存储介质，该方法包括：响应于接收到的计算指令，生成预定数量个随机数；根据预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果；根据多个运算结果与预定参考值的比较结果，生成脑仿真系统中的多个神经元对应的泊松输入值。根据本公开的实施例能够有利于提高数据生成设备的生成脑仿真系统中的多个神经元对应的泊松输入值的生成效率。松输入值的生成效率。松输入值的生成效率。

【技术实现步骤摘要】
用于脑仿真的数据生成方法、设备和计算机可读存储介质


[0001]本公开涉及计算机
，特别涉及一种用于脑仿真的数据生成方法、设备和计算机可读存储介质。

技术介绍

[0002]泊松产生器是一种广泛用于脑仿真系统的器件，泊松产生器用于生成符合泊松分布的随机序列，随机序列中包括多个随机数，每个随机数可作为脑仿真系统中的一个神经元的泊松输入值。通常情况下随机序列的生成需要进行大量的计算，从而耗费较多计算资源，计算效率低。

技术实现思路

[0003]本公开提供一种用于脑仿真的数据生成方法、设备和计算机可读存储介质，该方法可以提高每个神经元对应的泊松值的产生效率。
[0004]第一方面，本公开提供了一种用于脑仿真的数据生成方法，该方法包括：响应于接收到的计算指令，生成预定数量个随机数；根据所述预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果；根据多个所述运算结果与预定参考值的比较结果，生成所述脑仿真系统中的多个神经元对应的泊松输入值。
[0005]第二方面，本公开提供了一种数据生成设备，该设备应用于脑仿真系统，设备包括：随机数产生器、累乘器、比较器和加和器；其中，所述随机数产生器，用于响应于接收到的计算指令，生成预定数量个随机数；所述累乘器，用于根据所述预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果；所述比较器，用于确定多个所述运算结果与预定参考值的比较结果；所述加和器，用于根据所述比较结果，生成所述脑仿真系统中的多个神经元对应的泊松输入值。/>[0006]第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器/处理核执行时实现上述的用于脑仿真的数据生成方法。
[0007]本公开所提供的实施例，能够响应于接收到的计算指令，生成预定数量个随机数，并根据预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果，然后，根据多个运算结果与预定参考值的比较结果，生成脑仿真系统中的多个神经元对应的泊松输入值，由于该方法可以并行、批量的运算一次性生成一组泊松值，进而有效提高了每个神经元对应的泊松值的产生效率。
[0008]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0009]附图用来提供对本公开的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进
行描述，以上和其他特征和优点对本领域技术人员将变得更加显而易见，在附图中：
[0010]图1为本公开实施例提供的一种用于脑仿真的数据生成方法的流程图；
[0011]图2为本公开实施例提供的示例性实施例的数据生成方法的流程图；
[0012]图3为本公开实施例提供的一种数据生成设备的框图；
[0013]图4为本公开实施例提供的一种数据生成设备的架构示意图；
[0014]图5为本公开实施例提供的另一种数据生成设备的架构示意图。
具体实施方式
[0015]为使本领域的技术人员更好地理解本公开的技术方案，以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0016]在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
[0017]如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
[0018]本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由
……
制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0019]除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
[0020]在本公开实施例中，泊松分布适用于描述单位时间内随机事件发生的次数。在实际应用中，具有泊松分布的随机数存在于很多场景中。例如，电话交换站一定时间内的呼唤次数、公共汽车站来到的乘客数、一本书一页中的印刷错误数、某地区在一天内邮递遗失的信件数、某一医院在一天内的急诊病人数、落在显微镜上的某种细菌的个数等都服从泊松分布。
[0021]脑仿真是通过计算机对大脑的微观单元(神经元、突触、离子通道等)进行建模，从而构建复杂的神经网络系统，模拟神经信号从产生到传递到运动行为的功能和过程。脑仿真主要仿物理特性，这意味着脑仿真系统中的神经元对输入数据进行处理时，对输入数据的具体数值关注度较低，而对输入数据的变化趋势的关注度较高。
[0022]在一些场景中，为了使所生成的输入数据能够符合泊松分布，可以通过泊松产生器基于泊松数据产生算法，产生泊松分布的随机序列。作为示例，泊松数据产生算法的处理过程可以包括如下步骤：第一步：给定一个参数λ，λ大于0，通过指数分布的概率密度函数e
‑
λ
生成一系列的随机数，这些随机数服从开区间(0，1)之间均匀分布；第二步：求这些随机数的乘积，当乘积小于或等于门限值，停止乘积运算，记下此时参与求乘积的随机数的个数；
第三步，乘积运算终止时参与乘积运算的随机数的个数减一服从参数为λ的泊松分布，将乘积运算终止时参与乘积运算的随机数的个数减一作为一个泊松值。
[0023]通过泊松数据产生算法可以看出，生成每个泊松值时参与乘积运算的随机数个数及乘积运算的次数往往不一致，产生T个泊松值，通常需要进行T次乘积运算次数互不相同的运算，T为大于或等于1的整数。由于产生T个泊松输出值，需要进行T次循环次数互不相同的循环计算，因此生成多个泊松值的过程是串行执行过程，整个运算过程调度逻辑开销大，不适合于并行计算，产生泊松值的效率低。
[0024]根据本公开实施例的用于脑仿真的数据生成方法可以由数据生成设备或数据生成服务器等电子设备执行，终端设备可以为车载设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Ass本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于脑仿真的数据生成方法，其特征在于，所述方法包括：响应于接收到的计算指令，生成预定数量个随机数；根据所述预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果；根据多个所述运算结果与预定参考值的比较结果，生成所述脑仿真系统中的多个神经元对应的泊松输入值。2.根据权利要求1所述的方法，其特征在于，所述生成预定数量个随机数，包括：生成随机数阵列，所述随机数阵列中的行数为N，每一行包含M个随机数，其中，N为大于1的整数，M为大于2的整数；所述根据所述预定数量个随机数，并行执行预定总次数的随机数相乘运算，得到多个运算结果，包括：对于N行随机数，并行计算每一行中M个随机数的累乘；其中，每一行的累乘运算次数均为M
‑
1次，得到所述每一行的M
‑
1个累乘运算结果。3.根据权利要求2所述的方法，其特征在于，所述根据多个所述运算结果与预定参考值的比较结果，生成所述脑仿真系统中的多个神经元对应的泊松输入值，包括：并行地将N行中每一行的M
‑
1个累乘运算结果与基于预定参考值进行比较，根据比较结果对所述每一行的M
‑
1个累乘运算结果进行二值化处理，得到所述每一行的M
‑
1个二值样本数据；其中，所述二值样本数据的取值包括1值和非1值；计算所述每一行中取值为1的二值样本数据的和值，得到所述每一行的和值计算结果；将所述每一行的和值计算结果作为对应行的泊松值，并将所述N行中的每一行对应的泊松值，作为所述脑仿真系统中的多个神经元对应的泊松输入值。4.根据权利要求3所述的方法，其特征在于，所述根据比较结果对所述每一行的M
‑
1个累乘运算结果进行二值化处理，得到所述每一行的M
‑
1个二值样本数据，包括：在所述比较结果中，将大于所述预定参考值的累乘运算结果的取值设为1；以及，将小于或等于所述预定参考值的累乘运算结果设为0。5.根据权利要求1所述的方法，其特征在于，所述神经元为脑仿真应用所使用的神经元，所述脑仿真应用运行于所述脑仿真系统；所述预定参考值是预先基于所述神经元的脉冲发放速率和仿真时间粒度计算得到，所述方法还包括：基于预先获取所述神经元的脉冲发放速率和仿真时间粒度的乘积，确定所述脑仿真应用的归一化速率；基于所述归一化速率的相反数进行指数运算，得到指数运算结果；其中，所述指数运算结果的取值大于零且小于1；将所述指数运算结果作为所述预定参考值。6.根据权利要求3所述的方法，其特征在于，在所述生成随机数阵列之后，所述方法还包括：将所述随机数阵列存储至第一数据缓冲区；在所述对于N行随机数，并行计算每一行中M个随机数的累乘之前，所述方法还包括：从所述第一数据缓冲区中获取所述随机数阵列；以及在所述得到所述每一行的M
‑
1个累乘运算结果之后，所述方法还包括：将所述每一行的M
‑
1个累乘运算结果存入所述第一数据缓冲
区；在所述并行地将N行中每一行的M
‑
1个累乘运算结果与基于预定参考值进行比较，根据比较结果对所述每一行的M
‑
1个累乘运算结果进行二值化处理之前，所述方法还包括：从所述第一数据缓冲区中获取所述每一行的M
‑
1个累乘运算结果；以及，在所述得到所述每一行的M
‑
1个二值样本数据之后，所述方法还包括：将所述每一行的M
‑
1个二值样本数据存入所述第一数据缓冲区；在所述计算所述每一行中取值为1的二值样本数据的和值之前，所述方法还包括：从所述第一数据缓冲区中获取所述每一行的M
‑
1个二值样本数据；以及，在所述得到所述每一行的和值计算结果之后，所述方法还包括：将所述每一行的和值计算结果存入所述第一数据缓冲区。7.根据权利要求3所述的方法，其特征在于，在所述生成随机数阵列之后，所述方法还包括：将所述生成随机数阵列存储至第二数据缓冲区；在所述对于N行随机数，并行计算每一行中M个随机数的累乘之前，所述方法还包括：从所述第二数据缓冲区中获取所述随机数阵列；以及，在所述得到所述每一行的M
‑
1个累乘运算结果之后，所述方法还包括：将所述每一行的M
‑
...

【专利技术属性】
技术研发人员：吴臻志，张静，
申请(专利权)人：北京灵汐科技有限公司，
类型：发明
国别省市：