一种基于液体状态机的脉冲神经网络架构制造技术

本发明专利技术涉及一种基于液体状态机的脉冲神经网络架构，包括存储层神经元阵列和学习层神经元阵列，分别用于模拟储存层和学习层；所述储存层神经元阵列包括权重生成与概率发射模块，配置为具有第一线性反馈寄存器和第二线性反馈寄存器，在突触前脉冲来临时，通过读取指定的随机数种子存储器中的随机数种子，使得第一线性反馈寄存器产生固定的随机数序列，生成突触后神经元与不同的突触前神经元的权重；所述学习层神经元阵列包括IF神经元模块、膜电位存储电路、权重存储电路、以及权重学习模块。本发明专利技术能够在高速并行计算时减少硬件资源消耗量，保证网络的性能的同时达到低硬件资源消耗的目的。的目的。的目的。

【技术实现步骤摘要】
一种基于液体状态机的脉冲神经网络架构


[0001]本专利技术涉及人工智能领域和类脑智能芯片
，具体涉及基于液体状态机的脉冲神经网络架构。

技术介绍

[0002]近年以来，人工智能和深度学习相关技术迅速发展，在各个领域包括图像识别、无人机、智能家居等方面都得到了广泛的应用，极大地改变了人们的生活方式。基于人工神经网络学习的系统可以处理十分复杂的任务，但由于其在复杂任务下极高的数据量，缓慢的运行速度、不低的功耗，很难应用在一些要求实时性高、功耗低的场景中去。同时，随着人们对神经元以及神经系统的研究更加深入，脉冲神经网络与神经形态处理器越来越成为研究的热点。液体状态机是近年来提出的一种基于脉冲神经网络的神经计算模型，可以被映射于神经形态处理器中运行。由于具有简便的计算过程和丰富的动态特性，基于液体状态机的神经形态处理架构拥有强大的计算能力，继而得到广泛的研究与应用。
[0003]但是目前神经形态处理器仍对于更低的功耗、硬件资源，更强的性能有着强烈的需求，同时液体状态机储备池层中大量的连接参数往往使得液体状态机模型在数字神经形态处理器的运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于液体状态机的脉冲神经网络架构，其特征在于：包括存储层神经元阵列和学习层神经元阵列，分别用于模拟储存层和学习层；所述储存层神经元阵列包括具有第一线性反馈寄存器和第二线性反馈寄存器的权重生成与概率发射模块，配置为在突触前脉冲来临时，通过读取指定的随机数种子存储器中的随机数种子，使得第一线性反馈寄存器产生固定的随机数序列，生成突触后神经元与不同的突触前神经元的权重，并在时间步结束时判断是否发射脉冲进入脉冲缓存器中，所述判断是否发射脉冲进入脉冲缓存器中的条件为：通过时间步进位判断信号将突触后神经元和该时间步内所有脉冲来源的突触前神经元的突触权重的加值与第二线性反馈寄存器产生的随机数进行对比；所述学习层神经元阵列包括IF神经元模块、膜电位存储电路、权重存储电路、以及权重学习模块，所述IF神经元模块配置为更新神经元膜电位并判断神经元膜电位是否超过阈值，并在超过阈值时发射脉冲；所述权重学习模块配置为计算对应时间步内到达突触后神经元的脉冲的个数，并根据个数与学习率更新存储在权重存储电路中的权重。2.根据权利要求1所述的基于液体状态机的脉冲神经网络架构，其特征在于：在所述储存层神经元阵列内具有兴奋神经元脉冲储存器和抑制神经元脉冲储存器，所述兴奋神经元脉冲储存器用于储存兴奋神经元脉冲，所述抑制神经元脉冲储存器用于储存抑制神经元脉冲，所述兴奋神经元发射的脉冲对突触后神经元脉冲发射起到正面作用，所述抑制神经元发射的脉冲会对突触后神经元脉冲发射起到抑制作用，并且只有兴奋神经元会与神经网络中的输入层进行稀疏连接以及与输出层进行全连接，所述权重生成与概率发射模块所发射的脉冲会根据突触后神经元为兴奋神经元与抑制神经元，分别将所发射脉冲送入兴奋神经元脉冲缓存器与抑制神经元脉冲缓存器中，兴奋神经元脉冲缓存器会将脉冲再次同时送进学习层神经元阵列与权重生成与概率发射模块中，所述抑制神经元脉冲缓存器会将脉冲再次送入权重生成与概率发射模块中；所述抑制作用为在权重生成与概率发射模块中减小突触权重，使得发射脉冲前需要将突触权重与第二线性反馈寄存器产生的随机数进行对比时，发射...

【专利技术属性】
技术研发人员：石匆，陈乐毅，田敏，何俊贤，王腾霄，王海冰，喻剑依，高灏然，
申请(专利权)人：重庆大学，
类型：发明
国别省市：