本发明专利技术提供一种能够以更少的数量的元件的结构实现利用脉冲定时进行的学习动作的神经网络电路的学习方法。突触电路（20）具备可变电阻元件（10），构成为能在第一输入信号（其他的神经网络电路元件（40）的输出信号）能够输入至可变电阻元件（10）的第一电极（13）的状态，和不能够输入的状态之间进行切换，构成为神经元电路（30）具备产生双极性锯齿形脉冲电压的波形发生电路（32），使第一输入信号具有双极性锯齿形脉冲波形，在第一输入信号能够输入至第一电极（13）的状态的期间，对可变电阻元件（10）的控制电极（15）输入在与该可变电阻元件（10）相同的神经网络电路元件（40）内生成的双极性锯齿形脉冲电压，根据依赖于施加至第一电极（13）的电压与施加至控制电极（15）的电压的输入时刻差而产生的第一电极（13）和控制电极（15）之间电位差，使可变电阻元件（10）的电阻值发生变化。
【技术实现步骤摘要】
【国外来华专利技术】【专利摘要】本专利技术提供一种能够以更少的数量的元件的结构实现利用脉冲定时进行的学习动作的。突触电路（20）具备可变电阻元件（10），构成为能在第一输入信号（其他的神经网络电路元件（40）的输出信号）能够输入至可变电阻元件（10）的第一电极（13）的状态，和不能够输入的状态之间进行切换，构成为神经元电路（30）具备产生双极性锯齿形脉冲电压的波形发生电路（32），使第一输入信号具有双极性锯齿形脉冲波形，在第一输入信号能够输入至第一电极（13）的状态的期间，对可变电阻元件（10）的控制电极（15）输入在与该可变电阻元件（10）相同的神经网络电路元件（40）内生成的双极性锯齿形脉冲电压，根据依赖于施加至第一电极（13）的电压与施加至控制电极（15）的电压的输入时刻差而产生的第一电极（13）和控制电极（15）之间电位差，使可变电阻元件（10）的电阻值发生变化。【专利说明】
本专利技术涉及。
技术介绍
当前，计算机的发展是显著的，在日常生活中的多种多样的情况下得以利用。但是，现有的计算机的处理能力的发展是通过部件的细微化和算法的进化而实现的，基本的信息处理的原理没有变化。另ー方面，这些计算机，由于其处理方式的特性，对于人能够容易地进行的动作非常不擅长。例如实时的面部识别、空间结构的把握等。这样的处理的能力，即使使用最新的算法和最大规模的计算机，也无法赶上人类的处理速度。与此相对，模拟生物体的脑的信息处理方式的计算机的研究正在进行。该处理模型中最基本的是神经网络(neural network)。神经网络是模拟生物体的神经回路网的网络。在此，已知在生物体的神经细胞中，对大致一定形状的脉冲(尖峰脉冲，spike pulse)进行交互。在此，作为实现神经网络的神经网络电路，提出了更忠实地模拟生物体的神经回路、对脉冲直接进行处理的模型(model)。例如，在专利文献I中，公开了使用脉冲密度表现信息的模型(脉冲密度模型)。该模型为使用例如一定时间中传播的脉冲的数量表现模拟信息的模型。另外，在专利文献2中，公开了使用脉冲定时(Pulse timing)表现信息的模型(脉冲定时模型)。该模型是使用脉冲与脉冲的时间间隔来表现模拟信息的模型。在对这些脉冲信号进行处理的模型中，ネ申经元(neuron)间交互的信号是一定(固定)波形的信号，所以具有容易硬件化的优点。但是，在专利文献I这样的脉冲密度模型中需要提取出密度，所以为了表现信息需要花费一定的时间。因此，具有无法表现神经元的细微的时间标度下的动作的缺点。另ー方面，如专利文献2这样的脉冲定时模型，能够利用一个ー个的脉冲表现信息，所以能够进行比脉冲密度模型更高速的信息处理。例如，在非专利文献I中，公开了通过使用脉冲定时模型，能够得至IJ比使用脉冲密度模型的情况下更高的性能的情況。现有技术文献专利文献专利文献1:日本特开平7-114524号公报专利文献2:日本特开2010-146514号公报非专利文献非专利文献1: W.Maass、“Networks of Spiking Neurons:The Third Generationof Neural Network Models、”Neural Networks、vol.10、n0.9、pp.1659 一 1671、1997.
技术实现思路
专利技术要解决的技术问题但是，在实现如专利文献2这样的脉冲定时模型的神经网络电路中，具有神经网络电路整体的电路面积变大的技术问题。本专利技术的目的在于，提供一种能够以更少的数量的元件的结构实现利用脉冲定时进行的学习动作的。用于解决技术问题的技术手段为了解决上述技术问题的ー个方式的，为通过连接多个神经网络电路元件(40 )而构成的，上述多个神经网络电路元件(40)分别具备:被输入其他的神经网络电路元件(40)的输出信号(以下称为第一输入信号)的至少I个突触电路(20);和被输入上述至少I个突触电路(20)的输出信号的I个神经元电路(30 )，上述突触电路(20 )具备可变电阻元件(10 )，该可变电阻元件(10 )包括:形成于半导体膜(11)上的第一电极(13)和第二电极(14);和在上述半导体膜(11)的主面隔着铁电体(强电介质)膜(12)形成的控制电极(15)，响应上述第一电极(13)和上述控制电极(15)之间的电位差，上述第一电极(13)和上述第二电极(14)之间的电阻值发生变化，能够切换在可变电阻元件(10)的上述第一电极(13)能够输入上述第一输入信号的状态和不能输入上述第一输入信号的状态，上述神经元电路(30)具有产生双极性锯齿形脉冲电压的波形发生电路(32)，上述第一输入信号具有双极性锯齿形脉冲波形，在上述第一输入信号能够输入至上述第一电极(13)的状态的期间，对上述可变电阻元件(10)的上述控制电极输入在与该可变电阻元件(10)相同的神经网络电路元件(40)内生成的上述双极性锯齿形脉冲电压，根据依赖于施加至上述第一电极(13)的电压与施加至上述控制电极(15)的电压的输入时刻差而产生的上述第一电极(13)和上述控制电极(15)之间的电位差，使上述可变电阻元件(10)的电阻值发生变化。本专利技术的上述目的、其他目的、特征和优点，通过參照添加的附图、根据以下的优选实施方式的详细的说明能够清楚。专利技术的效果根据本专利技术，能够以更少的数量的元件结构实现利用脉冲定时进行的学习动作。【专利附图】【附图说明】图1表示实施方式的神经网络电路元件的框图。图2A表不实施方式的第一输入电压和第三输入电压中使用的双极性锯齿形脉冲电压的形状。图2B表示实施方式的第二输入信号电压中使用的方波脉冲电压的形状。图3表示在实施方式的第一开关中，对图2A所示的双极性锯齿形脉冲电压Vpke的导通和非导通，使用图2B所示的方波脉冲电压VrosT2，进行开关的动作。图4A表示实施方式的可变电阻元件的截面图。图4B表示实施方式的可变电阻元件的电路记号。图5表示实施例的STDP的评价电路。图6A表示实施例1的第一输入电压中使用的双极性锯齿形脉冲电压的形状。图6B表示实施例1的第二输入信号电压中使用的方波脉冲电压的形状。图6C表示实施例1的非対称型STDP。图1表示实施例1的积分动作的评价中使用的电路。图8表示实施例1的积分动作的评价結果。图9A表示用于说明阶层型神经网络的概略图。图9B表示用于说明相互结合型神经网络的概略图。图10表示用于说明一般的神经元的动作的概略图。图11表示用于说明积分点火(Integrate-and-Fire)型神经元的动作的概略图。图12A表示用于说明STDP的概略图。图12B表示表现非对称型STDP的特征的概略图。图12C表示表现对称型STDP的概略图。图13表示专利文献2公开的电阻变化型存储元件的截面图。图14A表示表现专利文献2公开的现有的STDP神经网络电路元件的框图。图14B表示表现专利文献2公开的现有的突触电路的STDP部的框图。图14C表示表现专利文献2公开的现有的突触电路的STDP部的框图。图15表不实施方式的信号发生电路。【具体实施方式】首先，对作为本专利技术的实施方式的前提的神经网络和用于实现该网络的现有的神经网络电路的技术问题进行更详细的说明。神经网络是模拟生物体的神经回路网的网络。神经网络本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】...
【专利技术属性】
技术研发人员：西谷雄，金子幸广，上田路人，
申请(专利权)人：松下电器产业株式会社，
类型：
国别省市：
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。