[发明专利]人工神经元及其执行方法

说明书

一种人工神经元及其执行方法，其中该方法包括：接收一组输入电压；利用电压电流转换方式，转换该组输入电压中对应的输入电压为对应的一组局部电流；将对应的该组局部电流与对应的一组二进位信号相乘，以建立对应的一组条件反向电流；加总对应的该组条件反向电流至对应的局部电流；加总对应的局部电流至全域电流；及使用负载电路以转换全域电流为输出电压。

技术领域

本公开涉及类神经运算，特别是涉及能减轻损耗的人工神经元及其执行方法。

背景技术

图1为现有的人工神经网络100的功能方框图。参照图1，人工神经网络(artificial neural network，ANN)100包括多个层，这些层包括输入层110、多个隐藏层120、130、…、180、及输出层190。各个层包括多个神经元。例如，输入层110包括神经元111、112、113、…、119，隐藏层120包括神经元121、122、123、…、129，隐藏层130包括神经元131、132、133、…、139，隐藏层180包括神经元181、182、183、…、189，输出层190包括神经元191、192、193、…、199。除了输入层110中的神经元之外，各个神经元接收来自前一层的神经元的输入。例如，神经元121接收来自神经元111、112、113、…、119的输入。除了输出层190中的神经元之外，每个神经元向后一层的神经元提供输出。例如，神经元121向神经元131、132、133、…、139提供输出。除了输入层110中的神经元之外，神经元的功能可表示为前一层神经元的输入加权总和的单调函数。

神经元能以数字方式或模拟方式来实现。数字神经元能提供高准确度，但因为需要大量使用具有高静态漏电流的晶体管，而受制于高功耗。另一方面，模拟神经元是高功率效能的，但因为制造过程中的各种损耗，其本质在准确度上受到限制。例如，在没有损耗的情况下，当所有输入都为零时，神经元的输出应该为零。然而，由于在制造过程中元件并不匹配，实际上的输出可能不为零。这导致称为“偏移(offset)”的损耗。假如能减轻与模拟性质相关的损耗，模拟神经元对于不要求高准确度的应用是可行的选择。

因此，期盼有一种人工神经元能减轻模拟性质相关的损耗。

发明内容

依据一些实施例，一种人工神经元，包括：一组增益单元电路、全域加总电路、及负载。该组增益单元电路用以接收一组输入电压，并依据一组控制信号输出对应的一组局部电流，其中，该组控制信号中对应的各个控制信号包括对应的一组二进位信号。全域加总电路用以加总该组局部电流为全域电流。负载用以转换全域电流为输出电压。其中，该组增益单元电路包含对应的多个增益单元电路。各个增益单元电路包括：一组电压转电流转换器、一组乘法器、及局部加总电路。该组电压转电流转换器用以转换对应的输入电压为对应的一组过渡电流，输入电压与增益单元电路相关。该组乘法器用以将对应的该组过渡电流与对应的该组二进位信号相乘，以输出对应的一组条件反向电流，该组二进位信号与对应的控制信号有关，控制信号与对应的输入电压相关。局部加总电路用以加总对应的该组条件反向电流为该组局部电流中对应的局部电流。

依据一些实施例，一种人工神经元的执行方法，包括：接收一组输入电压；利用电压电流转换方式，转换该组输入电压中对应的输入电压为对应的一组局部电流；将对应的该组局部电流与对应的一组二进位信号相乘，以建立对应的一组条件反向电流；加总对应的该组条件反向电流至对应的局部电流；加总对应的局部电流至全域电流；及使用负载电路以转换全域电流为输出电压。

附图说明

图1为现有的人工神经网络的功能方框图。

图2为本公开一些实施例的人工神经元的功能方框图。

图3为图2中的人工神经元的增益单元的功能方框图。

图4为适用于图3的增益单元的电压转电流转换器的示意图。

图5为适用于图3的增益单元的乘法器的示意图。

图6为适用于图2的人工神经元的负载的示意图。