[发明专利]一种基于储备池计算的工作记忆硬件实现方法

权利要求书

1.一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述方法通过以下系统实现，所述系统包括两大部分：储备池计算模块和readout计算模块，所述储备池计算模块包括储备池输入部分、储备池计算部分、储备池输出部分；所述readout计算模块包括神经兴奋型网络、神经抑制型网络、激活函数部分、全连接层部分，所述储备池计算部分是由具有记忆功能特性的存储单元构成，存储单元之间互相连接，所述存储单元由新型半导体存储器件构成。

2.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述存储单元包括忆阻器器件单元。

3.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述存储单元在长时间没有输入刺激的情况下，其存储特性一直处于低态，向其给予一个输入刺激后，存储单元的特性会在短时间内快速变化，并进入到高态，存储特性达到最高点后，特性会随着时间的推移不断缓慢衰减直至恢复到默认状态。

4.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述神经兴奋型网络由一个神经网络构成，所述神经网络中的各层神经元之间联系紧密、逻辑距离相近，能够通过复杂计算分析出连续输入刺激中反复提及到的工作记忆区域，并对这类工作记忆进行兴奋表达，从而提高神经元的发放率特性。

5.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述神经抑制型网络由一个神经网络构成，所述神经网络中的各层神经元之间联系稀疏、逻辑距离较远，能够通过复杂计算分析出当前输入刺激和过往输入刺激中不同的部分，提取出过往输入刺激中兴奋的部分，假若这些兴奋的区域在当前输入中不再被表达，则对该工作记忆区域进行抑制表达，从而降低神经元的发放特性。

6.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述激活函数部分对神经兴奋型网络和神经抑制型网络的计算分析结果进行非线性映射，所述非线性激活函数包括Tanh、Sigmoid、ReLU、Leaky-ReLU。

7.根据权利要求1所述的一种基于储备池计算的工作记忆硬件实现方法，其特征在于，所述实现方法具体步骤如下：

S1：全局复位，将系统中的所有模块进行初始化；

S2：将训练好的神经网络数学模型中的权重信息和网络结构信息存储到所述readout计算模块中；

S3：向所述储备池计算模块输入神经元刺激信号；

S4：所述储备池计算模块采集刺激信号，并将其分配至所述储备池计算部分，利用具有记忆功能的存储单元对刺激信号进行计算，将过往的刺激信息与当前的刺激信息相关联，并将计算结果通过储备池输出部分传输至readout计算模块；

S5：readout计算模块接收到来自储备池计算模块的信号后，将信号分别传入至神经兴奋型网络和神经抑制型网络，两类神经网络分别对信号数据进行计算分析，并进行工作记忆的兴奋和抑制表达，将表达的结果传输至后续的激活函数部分；

S6：激活函数部分接收到来自readout计算模块的信号后，将数据进行非线性映射，方便于后续全连接层的输出；

S7：全连接层部分根据激活函数的处理结果对神经元工作记忆发放特性进行表达输出，完成此轮输入刺激的结果表达后，跳转至步骤3继续进行新一轮的神经元刺激输入，直到整个工作记忆硬件关闭为止。