[发明专利]带有使用模拟学习的突触权重的神经形态-突触器脉冲神经网络

权利要求书

1.一种方法，包括：

模拟脉冲神经网络以产生通过模拟学习的突触权重，同时保持所述模拟与数字电路芯片之间的一一对应；以及

将所述学习的突触权重加载到实现脉冲神经网络的所述芯片中，所述芯片包括脉冲神经网络，所述脉冲神经网络包括多个突触器件，所述多个突触器件使用片上互连性互连多个数字神经元，其中所述突触权重影响所述突触器件的功能行为。

2.根据权利要求1的方法，进一步包括：

使用数字集成-发射神经元，以及位于互连所述数字神经元的互连网络的交叉接头上的离散值突触器件实现所述脉冲神经网络；以及

将所述芯片的物理和逻辑互连性约束集成到所述模拟中。

3.根据权利要求1的方法，其中：

保持所述模拟与数字电路芯片之间的一一对应进一步包括将有关所述芯片上所述神经元的物理互连性和逻辑互连性约束的信息集成到所述模拟中。

4.根据权利要求1的装置，其中：

保持所述模拟与数字电路芯片之间的一一对应包括将有关所述芯片上随机性或非确定性源的信息集成到所述模拟中。

5.根据权利要求1的方法，其中:

所述脉冲神经网络包括神经形态-突触器脉冲神经网络；

每个突触器件的功能行为包括所述突触器件的导电性；以及

片上互连性包括所述数字神经元的物理连接性和逻辑连接性的组合。

6.根据权利要求5的方法，其中：

所述物理连接性包括将轴突路径和树突路径的交叉体互连网络硬连线，以使所述树突路径与所述轴突路径正交，其中每个突触器件位于在树突路径与轴突路径之间相连的交叉体的交叉接头上。

7.根据权利要求6的方法，其中：

所述逻辑连接性包括软连线，所述软连线包括用于选择性地对所述数字神经元定址的地址事件表示(AER)。

8.根据权利要求1的方法，进一步包括：

产生定义通过模拟学习的每个数字神经元功能的参数；以及

将所述参数加载到所述芯片中。

9.根据权利要求1的方法，其中：

所述芯片包括不具有板上学习的低功率、超高密度芯片。

10.根据权利要求1的方法，其中：

所述突触器件包括存储元件。

11.根据权利要求1的方法，进一步包括：

在计算系统上执行所述模拟。

12.一种数字神经形态-突触器脉冲神经网络电路，包括：

多个数字神经元；

互连网络，包括多个使用电路上互连性互连数字神经元的突触器件；以及

突触器件，具有影响所述突触器件的功能行为的突触权重，其中所述突触权重通过模拟脉冲神经网络产生，同时保持所述模拟与所述电路之间的一一对应，并且所述突触权重被加载到所述电路中；

其中电路上互连性包括所述数字神经元的物理连接性和逻辑连接性的组合。

13.根据权利要求12的电路，其中：

所述电子神经元包括数字集成-发射神经元；

所述突触器件包括位于所述互连网络的交叉接头上的离散值突触存储元件；以及

所述电路的物理和逻辑互连性约束被集成到所述模拟中。

14.一种器件，包括：

数字电路，其中包括如权利要求12和13中任一项所述的神经形态-突触器脉冲神经网络。

15.根据权利要求14的电路，其中：

所述突触权重通过模拟脉冲神经网络学习，同时保持所述模拟与所述数字电路之间的一一对应，并且所述突触权重被加载到所述数字电路中。

16.根据权利要求15的电路，其中：

所述模拟与所述数字电路之间的一一对应通过将有关所述数字电路上随机性或非确定性源的信息集成到所述模拟中来保持。

17.根据权利要求15的电路，其中：

电路上互连性包括所述数字神经元的物理连接性和逻辑连接性的组合。