[发明专利]预测容易发生过早使用寿命失效的裸片在审
申请号: | 202180026603.7 | 申请日: | 2021-03-02 |
公开(公告)号: | CN115362457A | 公开(公告)日: | 2022-11-18 |
发明(设计)人: | R·伯奇;朱青;K·阿诺德 | 申请(专利权)人: | PDF决策公司 |
主分类号: | G06N20/00 | 分类号: | G06N20/00;G06N3/08;G01R31/28;G06N3/04;H01L21/66 |
代理公司: | 北京市铸成律师事务所 11313 | 代理人: | 王珺;段丹辉 |
地址: | 美国加利*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 在裸片级上对半导体良率进行模型化以预测容易发生过早使用寿命失效(ELF)的裸片。依据从半导体制造过程中的晶片测试获得的参数数据进行第一裸片良率计算。仅依据裸片位置进行第二裸片良率计算。所述第一裸片良率计算与所述第二裸片良率计算之间的差是预测差值。基于对所述第一裸片良率计算和所述预测差值的评估,可识别过早使用寿命失效的可能性并且可确立可接受的裸片损耗水平以从进一步处理移除裸片。 | ||
搜索关键词: | 预测 容易 发生 过早 使用寿命 失效 | ||
【主权项】:
暂无信息
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于PDF决策公司,未经PDF决策公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/202180026603.7/,转载请声明来源钻瓜专利网。
- 上一篇:医疗用注射器外套及其制造方法
- 下一篇:网络切片特定的认证和授权
- 同类专利
- 机器学习用数据生成方法、元学习方法、机器学习用数据生成装置及程序-202280011672.5
- 宫本真实;武良盛太郎;広桥佑纪;桥本敦史;徳隆宏;土屋直树;井尻善久;冈本大和 - 欧姆龙株式会社
- 2022-01-18 - 2023-10-27 - G06N20/00
- 一种生成用于机器学习中的域泛化的数据的数据生成方法,包括:计算机以用于机器学习模型的训练的学习用数据为原始数据来实施增强的工序;以及计算机提取包括原始数据和通过数据增强生成的数据这两方的数据集作为用于域泛化的数据集的工序。
- 基于激光雷达的三维人体动作捕捉方法、训练方法及系统-202280006555.X
- 王程;李嘉廉;许岚;温程璐;虞晶怡 - 厦门大学;上海科技大学
- 2022-02-25 - 2023-10-27 - G06N20/00
- 本发明介绍了训练机器学习模型生成基于光探测和测距(LiDAR)点云的三维(3D)动作的系统和方法。在各个实施例中,计算系统可以对代表场景中对象的机器学习模型进行编码。所述计算系统可以使用数据集训练所述机器学习模型,所述数据集包括单目LiDAR传感器捕捉到的同步LiDAR点云以及从IMU设备获得的地面实况三维运动。机器学习模型可以基于单目LiDAR传感器捕捉到的多个点云帧的输入生成对象的三维动作。
- 模型生成装置、分类装置、数据生成装置、模型生成方法以及模型生成程序-202280014168.0
- 日向匡史;田中芽衣 - 欧姆龙株式会社
- 2022-03-08 - 2023-10-27 - G06N20/00
- 本发明的一方面的数据生成装置通过使用训练完毕的编码器,获取在特征空间上与多个训练样本中的两个以上的训练样本对应的两个以上的样本点,并依据规定的指标来导出从所获取的各样本点所算出的距离的合计成为最大的线性和,通过使用训练完毕的解码器,生成与所导出的线性和的特征量对应的解码样本作为新的训练样本。
- 数据分析装置、数据分析方法以及程序-202280019344.X
- 山口新吾;岛口未来;定永雄一郎;原伸夫 - 松下知识产权经营株式会社
- 2022-02-28 - 2023-10-24 - G06N20/00
- 数据分析装置1具备:差分值计算部,在以多个数据之中给定的日期时间下的第i数据为起点值、且以比给定的日期时间靠后的日期时间下的第i+1数据为终点值的数据区间(i,i+1)中,对第i数据所包括的说明变量(X)的起点值(X(i))与第i+1数据所包括的说明变量(X)的终点值(X(i+1))的差分即说明变量差分值(ΔX)、以及第i数据所包括的目的变量(Y)的起点值(Y(i))与第i+1数据所包括的目的变量(Y)的终点值(Y(i+1))的差分即目的变量差分值(ΔY)进行计算;和差分模型导出部,基于多个说明变量差分值(ΔX)以及目的变量差分值(ΔY),导出表示说明变量差分值(ΔX)以及目的变量差分值(ΔY)的关系的差分模型(M)。
- 服务器装置、生成方法、电子装置生成方法、数据库生成方法和电子装置-202280011653.2
- 高塚进;铁川弘树 - 索尼集团公司
- 2022-01-12 - 2023-10-24 - G06N20/00
- 一种服务器装置包括:数据获取单元,获取为第一目的获取的关于没入对象的第一数据;以及专用软件生成单元,基于第一数据生成用于不同于第一目的的第二目的的软件。
- 整合模型的生成方法、图像检查系统、图像检查用模型的生成装置、图像检查用模型的生成程序和图像检查装置-202180094922.1
- 加藤丰;栗田真嗣 - 欧姆龙株式会社
- 2021-12-20 - 2023-10-20 - G06N20/00
- 本发明以较少的学习负荷生成与现场的环境相适应的检查模型。准备特定特征彼此不同的多个第1要素模型,通过将多个第1要素模型中的至少1个调整成适应于与该模型的学习用数据不同的调整用数据来生成第2要素模型,从由第1要素模型和第2要素模型构成的要素模型的集合中选择包含至少1个所述第2要素模型的多个所述要素模型,通过将选择出的多个要素模型进行整合来生成整合模型,该整合模型输出所输入的数据被分类为的任意的类别,该类别是根据与所选择的多个要素模型有关的全部的特定特征是否存在而对输入数据进行分类的类别。
- 混合模型制作方法、混合模型制作装置以及程序-202280019081.2
- 周尧;A·M·马修;A·贝克;C·S·维贾亚;N·N·昂;郭凯俊;菅泽裕也;杰弗里·费尔南多;佐藤吉宣;村田久治 - 松下知识产权经营株式会社
- 2022-03-25 - 2023-10-20 - G06N20/00
- 首先,存放对输入的数据的类别进行推定的多个模型(S1),多个模型中的至少一个模型是进行了机器学习的模型。接下来,通过从所存放的多个模型中选择两个以上的模型并进行组合,制作多个判定类别的混合模型候选(S2),通过比较多个混合模型候选(S4),选择多个混合模型候选中的一个作为混合模型(S6)。
- 学习支援装置、处理系统、学习支援方法以及存储介质-201980012032.4
- 上山勇树;阪谷信幸;阿部泰明;今竹和彦;藤井高史 - 欧姆龙株式会社
- 2019-02-20 - 2023-10-20 - G06N20/00
- 本发明是一种学习支援装置、处理系统、学习支援方法以及存储介质,可有效率地进行学习器的再学习。所述学习支援装置是用于针对具有学习完毕的学习器的处理部进行再学习的学习支援装置,所述学习完毕的学习器进行了用于根据规定的输入进行规定的输出的学习,且所述学习支援装置包括:判定部,根据规定的基准来判定所述输入的异常;以及再学习部,当所述判定部将所述输入判定为异常输入时,在规定的条件下,将所述异常输入作为追加的学习数据,进行所述学习器的再学习。
- 学习装置以及评价信息输出装置-202280013277.0
- 香川早苗;伊藤雄一 - 大金工业株式会社
- 2022-02-07 - 2023-10-13 - G06N20/00
- 评价信息输出装置(100),基于一人或多人的点头动作,输出与点头动作有关的评价信息,该评价信息输出装置具有第一信息取得部(101)和输出部(102)。第一信息取得部(101)取得与点头动作有关的信息(11)。输出部(102)具有将与点头动作有关的信息作为输入并输出点头动作的评价信息的学习完毕模型(40),使用学习完毕模型(40)根据与点头动作有关的信息(11)推定并输出点头动作的评价信息(21)。学习完毕模型40是将与点头动作有关的信息和点头动作的评价信息作为学习用数据集进行学习而得到的。
- 用于生成与机器学习模型的功能相关的一个或多个回复的方法和装置-202180094192.5
- K·阿杰;M·斯沃鲁普库马尔;S·K·佩雷普 - 瑞典爱立信有限公司
- 2021-02-19 - 2023-10-10 - G06N20/00
- 本文描述的实施例涉及用于生成与机器学习ML模型相关的一个或多个回复的方法和装置。一种在第一节点中的方法包括:获得与ML模型的第一输出相关的一个或多个查询,其中,机器学习ML模型的第一输出旨在满足环境中的一个或多个要求;对于一个或多个查询中的每个查询,执行强化学习过程。强化学习过程包括:基于一个或多个要求,生成对查询的第一回复集;获得与查询相关联的第一奖励集,其中,第一奖励集中的每个奖励与第一回复集中的相应回复相关联,其中,基于一个或多个度量,确定第一奖励集中的每个奖励;以及基于来自前次迭代的与回复集相关联的奖励集,迭代地生成与查询相关联的经更新的回复集,直到到达终端回复集为止,其中,基于第一奖励集,生成第二回复集。响应于来自与每个查询相关联的强化学习过程的至少一个奖励满足第一预定标准,该方法然后还包括:发起在环境中实现ML模型的第一输出。
- 推导装置、模型生成装置、推导方法以及推导程序-202280015513.2
- 长江成典 - 欧姆龙株式会社
- 2022-03-01 - 2023-10-10 - G06N20/00
- 本发明的一方面的推导装置获取对象数据,使用通过机器学习而训练完毕的推导模型,对所获取的所述对象数据执行推导任务,且输出与执行推导任务的结果相关的信息。推导模型的多个参数的至少一部分是以矩阵来表达。矩阵包含第一局部矩阵及第二局部矩阵。第一局部矩阵及第二局部矩阵的行及列各自的要素的数量相同,第二局部矩阵的各要素的值被调节为与第一局部矩阵及对角矩阵的积一致。
- 自动时间序列预测管线排序-202280014194.3
- 陈蓓;L·吴;D·C·帕特尔;S·Y·沙赫;G·布莱布勒;P·D·基克纳;H·C·萨姆罗维茨;X-H·党;P·泽弗斯 - 国际商业机器公司
- 2022-02-17 - 2023-10-03 - G06N20/00
- 提供了一种用于对计算环境中的时间序列预测机器学习管线进行排序的方法和系统。可以基于时间序列数据的季节性或时间依赖性的程度,从时间序列数据集递增地分配时间序列数据以用于通过候选机器学习管线进行测试。在每个时间序列数据分配之后,可以由每个候选机器学习管线提供中间评估分数。可基于从中间评估分数生成的投影学习曲线从一个或多个候选机器学习管线的排序列表中自动选择一个或多个机器学习管线。
- 计算系统的功率容量规划-202180083145.0
- J·勒居弗尔 - 伊顿智能动力有限公司
- 2021-11-30 - 2023-09-29 - G06N20/00
- 本发明公开了一种用于计算系统的功率容量规划的计算机实现的方法,其中该方法包括以下步骤:a)评估(S10)该计算系统的活动,其中该活动包括由该计算系统执行的程序实例的数量和由所执行的程序实例引起的负载;b)通过使用被配置用于活动演进预测的第一机器学习算法(10),基于所评估的活动来预测(S12)该活动的演进;c)基于所预测的活动演进并且通过使用被配置用于该计算系统的功耗预测的第二机器学习算法(12),预测(S14)该计算系统的功耗作为第一功率度量;d)基于所预测的功耗并且通过使用被配置用于不间断电源自主性预测的第三机器学习算法(12')以及接收该计算系统的该功耗预测作为输入,预测(S16)该计算系统的一个或多个不间断电源的自主性作为第二功率度量;e)基于所预测的功耗和该计算系统的功率架构,预测(S18)该计算系统的冗余水平作为第三功率度量;f)通过处理该第一、第二和第三功率度量来生成(S20)与功率容量规划相关的输出数据。
- 用于联邦学习中的自适应量化级别选择的技术-202280011534.7
- C-S·蔡;T·余;K·古拉蒂;厉隽怿 - 高通股份有限公司
- 2022-01-25 - 2023-09-29 - G06N20/00
- 描述了用于无线通信的方法、系统和设备。为了支持联邦学习中的自适应量化级别选择,服务器可以使基站发送对量化级别的指示,以供用户设备(UE)用于压缩由机器学习模型输出的梯度数据。例如,服务器可以为UE的集合中的每个UE确定用于由相应的机器学习模型在每个UE处输出的相应的梯度数据的相应的量化级别。服务器可以经由一个或多个基站向每个UE发送用作相应的机器学习模型中的输入的第一信息和对相应的量化级别的指示。UE可以接收第一信息和指示,并且可以向服务器发送基于(例如,使用)所指示的量化级别生成的经压缩的梯度数据。
- 具有使用数据分析的用于包括对吸电子烟和点火启动进行年龄分段的上下文情境的静态人工智能模型的电子装置及其操作方法-202180071953.5
- M·济济;L·斯托克;K·李 - 艾伦迪尔移动公司
- 2021-08-28 - 2023-09-29 - G06N20/00
- 根据一个实施方式,公开了一种用于生成反映用户的一个或更多个生理状况的结果的方法。该方法包括以下步骤:生成与多个预定约束相关联的多个受约束数据集,所述多个预定约束与多个预定生理状况相联系;基于多个预定生理状况来构建多个独立静态模型,其中,各个独立静态模型与特定约束相联系;将所述多个独立静态模型安装到装置中,该装置包括用于执行指令的处理器以及用于收集与所述多个独立静态模型相联系的传感器数据的传感器;基于从用户感测到的传感器数据,由用户经由用户界面执行所述多个独立静态模型中的一个或更多个独立静态模型;以及经由与所述多个独立静态模型中的所述一个或更多个独立静态模型的执行相关联的用户界面来向用户提供一个或更多个结果(推断),其中,所述一个或更多个结果反映用户的一个或更多个生理状况。
- 自动化医学图像质量控制系统-202180090605.2
- 本·安德鲁·达菲;张涛 - 深透医疗公司
- 2021-11-16 - 2023-09-29 - G06N20/00
- 提供了一种自动化图像质量控制系统。该系统包括:第一组件,该第一组件包括用于估计成像设备采集的医学图像的质量的第一深度学习网络模型;和第二组件,该第二组件用于确定医学图像是否在用于训练第一深度学习网络模型的训练数据集的分布之外。
- 信息处理装置以及信息处理方法-202280011497.X
- 菊池武志 - 株式会社拓普康
- 2022-03-22 - 2023-09-22 - G06N20/00
- 本发明提供信息处理装置以及信息处理方法,关于测量装置的维护管理,在与测量装置的不良情况相关的申诉的产生前预测申诉的产生。信息处理装置(100)为,根据对多个测量装置收集的包括与各测量装置有关的各种数据的收集数据(141),将包括从用户接受的申诉内容与申诉受理时间的申诉信息、和包括与申诉所涉及的测量装置有关的申诉的产生前规定期间的错误日志以及装置日志的运行状态数据作为组合而生成学习数据,使用学习数据来执行机械学习,生成在输入对象测量装置的运行状况数据的情况下,对于对象测量装置预测将来产生的申诉的内容以及时期的学习模型(144)。
- 信息处理装置、选择输出方法和选择输出程序-202180092367.9
- 曲佳;清水彰一 - 三菱电机株式会社
- 2021-02-05 - 2023-09-22 - G06N20/00
- 信息处理装置(100)具有:取得部(120),其取得分别利用不同方法进行物体检测的已学习模型(200a、200b)和作为包含物体的多个图像的多个无标签学习数据;物体检测部(140),其分别针对多个无标签学习数据,使用已学习模型(200a、200b)进行物体检测;计算部(150),其根据多个物体检测结果计算表示多个无标签学习数据的价值的多个信息量得分;以及选择输出部(160),其根据多个信息量得分,从多个无标签学习数据中选择预先设定的数量的无标签学习数据,输出选择出的无标签学习数据。
- 用于在字符识别中实施约束的系统和方法-202180079722.9
- 黑克托尔·帕拉西奥斯;皮埃尔-安德烈·诺埃尔 - 瑟威斯劳加拿大有限公司
- 2021-09-29 - 2023-09-22 - G06N20/00
- 公开了一种使用一个或更多个约束对图像中的文本进行预测的方法和系统。将图像输入至机器学习算法(MLA)。MLA输出概率分布。概率分布包括多个对中的每个对的预测概率,其中,每个对包括类别和MLA的下一状态。概率分布的状态被添加至待搜索的状态集。将处于结束状态或未能满足约束中的至少一个约束的状态从待搜索的状态集中去除。将待搜索的状态集的状态输入至MLA。利用由MLA输出的新状态重复进行搜索。由MLA输出的结束状态被输出作为输出状态,每个输出状态包括字符序列。
- 根据在联邦学习中传输的模型更新判定和/或减轻预测的有效重建程度-202180088371.8
- 奥姆·迪帕克巴伊·塔卡尔;澄·唐;斯瓦鲁普·因德拉拉马斯瓦米;拉吉夫·马修斯;弗朗索瓦丝·博费 - 谷歌有限责任公司
- 2021-12-13 - 2023-09-19 - G06N20/00
- 实施方式涉及判定可在多大程度上从模型更新中有效地重建使用机器学习模型生成的预测,其中模型更新基于那些预测并基于应用特定损失技术(例如,特定交叉熵损失技术)而生成。所公开的一些实施方式生成度量,所述度量各自指示使用对应的模型更新生成的对应重建与对应预测之间的符合程度。在那些实施方式中的一些中,度量用于确定是否在机器学习模型和/或附加机器学习模型的联邦学习中利用该特定损失技术(用于生成模型更新)。
- 构建可解释的机器学习模型-202180092592.2
- 佩雷普·萨特什库马;萨拉瓦南·M;赛·哈雷什·阿纳曼德拉 - 瑞典爱立信有限公司
- 2021-02-04 - 2023-09-19 - G06N20/00
- 提供了一种用于构建机器学习(ML)模型的计算机实现的方法。该方法包括:使用输入数据的集合来训练ML模型,其中ML模型包括多个层,并且每一层包括多个过滤器,并且其中该输入数据的集合包括类别标签;从训练ML模型获得输出数据的集合,其中该输出数据的集合包括类别概率值;通过使用类别标签和类别概率值,针对ML模型中的每一层确定该层中的每个过滤器的工作值;针对ML模型中的每一层确定主导过滤器,其中基于过滤器的工作值是否超过阈值来确定主导过滤器;以及基于每一层的每个主导过滤器构建子集ML模型,其中子集ML模型是ML模型的子集。
- 使用迭代人工智能通过通信决策树的指引轨迹-201880069220.6
- T·U·罗伯茨;M·皮尔马因;J·斯坦尼比;K·约迪;K·苏特哈科恩 - 甲骨文国际公司
- 2018-09-18 - 2023-09-15 - G06N20/00
- 实施例针对使用通信决策树,该通信决策树被配置为使用机器学习技术来动态地定义通过该通信决策树的各条轨迹以指示一系列通信规范,其中通过使用机器学习技术处理用户数据来生成学习到的数据。根据基于学习到的数据和用户属性识别出的通信规范将内容传输到用户设备。同时,提供包括可以在其上定义决策树的画布的界面。
- 用于去中心化联邦学习的方法和系统-202180069300.3
- 朱锐;李晓瑞;张勇;王岚君 - 华为云计算技术有限公司
- 2021-02-06 - 2023-09-12 - G06N20/00
- 描述了用于去中心化联邦学习的方法和系统。参与本地机器学习模型训练的每个客户端标识与客户端自身直接通信的一个或多个相邻客户端。每个客户端向其相邻客户端发送本地模型的加权系数和本地模型参数集。每个客户端还从其相邻客户端接收相应的本地模型参数集和相应的加权系数。每个客户端使用所述接收到的本地模型参数集的加权聚合更新其自己的本地模型参数集,每个接收到的本地模型参数集是使用所述接收到的相应的加权系数加权的。每个客户端使用机器学习算法和其自己的本地数据集训练其本地机器学习模型。
- 规则更新程序、规则更新方法以及规则更新装置-202180090417.X
- 岩下洋哲 - 富士通株式会社
- 2021-01-15 - 2023-09-12 - G06N20/00
- 规则更新程序使计算机执行以下处理:接受对使用了训练数据的第一挖掘而结果生成的规则集合所包括的规则的至少一部分的用户指定;从训练数据确定与接受了用户指定的规则对应的样本数据;以及通过使用限定于与接受了用户指定的规则对应的样本数据的训练数据执行第二挖掘,来获取新规则。
- 具有使用异构标签分布的新标签的分布式机器学习-202180092196.X
- G·古塔姆克里施纳;S·K·佩雷普 - 瑞典爱立信有限公司
- 2021-01-29 - 2023-09-12 - G06N20/00
- 一种用于分布式机器学习(ML)的方法包括向包括第一本地计算装置和第二本地计算装置的多个本地计算装置提供包括第一标签集合的第一数据集。所述方法进一步包括从第一本地计算装置接收来自使用第一标签集合训练第一本地ML模型的第一ML模型概率值集合。所述方法进一步包括从第二本地计算装置接收来自使用第一标签集合和不同于第一标签集合中的任何标签的一个或多个标签训练第二本地ML模型的第二ML模型概率值集合。所述方法进一步包括使用所接收的第一ML模型概率值集合和所接收的第二ML模型概率值集合来生成权重矩阵。所述方法进一步包括通过使用所生成的权重矩阵进行采样来生成第三ML模型概率值集合。
- 机器学习模型和设备-202080108336.3
- J·P·马丁斯;R·D·S·苏扎;K·赖泽尔;A·哈塔;A·D·N·朱尼尔 - 瑞典爱立信有限公司
- 2020-11-13 - 2023-09-12 - G06N20/00
- 提供了用于实现强化学习的方法和设备。一种在客户端节点中根据策略命令环境中的动作的方法包括识别环境的一个或多个临界状态,当前策略针对所述临界状态提供不可靠动作。方法进一步包括向服务器发起重新训练请求的传输,重新训练请求包括与一个或多个临界状态相关的信息。方法进一步包括从服务器接收新策略(其中新策略由服务器基于与一个或多个临界状态相关的信息使用强化学习来生成),以及根据新策略来命令环境中的动作。
- 机器学习应用中系统特性漂移的处理-202280011257.X
- 奥瑞斯蒂斯·科斯塔基斯;蒋启明;姜博馨 - 斯诺弗雷克公司
- 2022-01-18 - 2023-09-12 - G06N20/00
- 本申请提出了用于管理数据库系统中的机器学习(ML)模型的输入和输出误差的系统和方法。在数据库系统的第一版本上执行一组测试查询以生成第一测试数据,其中系统的第一版本包括ML模型以生成对应于数据库系统的功能的输出。基于第一测试数据和基于系统的先前版本而生成的第二测试数据来训练误差模型。误差模型确定在系统的第一版本和先前版本之间与ML模型相关联的误差。部署具有误差模型的系统的第一版本,误差模型校正ML模型的输出或输入,直到误差模型产生足够的数据来重新训练ML模型。
- 酚醛清漆型酚醛树脂的搜索方法、信息处理装置以及非暂态计算机可读记录介质-202280010334.X
- 今田知之 - DIC株式会社
- 2022-12-08 - 2023-09-08 - G06N20/00
- 本发明改善酚化合物的搜索技术。一种酚醛清漆型酚醛树脂的搜索方法,由信息处理装置执行,所述搜索方法包括以下步骤:使用酚醛清漆型酚醛树脂所涉及的实绩数据,来生成与多个目标变量分别对应的多个预测模型;以及通过使用所述多个预测模型的逆解析,来搜索具有期望的物性平衡的酚醛清漆型酚醛树脂,其中,所述实绩数据包含酚醛清漆型酚醛树脂所涉及的聚合物组成、结构式、反应溶剂以及反应参数,所述目标变量包含显影性、耐热性以及分子量。
- 信息处理装置、信息处理方法和程序-202180088428.4
- 矶崎隆司;山本真大;野田淳史 - 索尼集团公司
- 2021-12-23 - 2023-09-05 - G06N20/00
- 信息处理装置(100)包括控制单元(130)。控制单元(130)基于和使用机器学习的预测模型中的多个输入变量与预测结果之间的因果关系有关的因果模型来选择影响预测结果的输入变量作为第一解释变量。控制单元(130)输出关于所选择的第一解释变量的信息。
- MONISE装置突触元件偏置方案-202180082612.8
- 石井正俊;安田岳雄 - 国际商业机器公司
- 2021-11-17 - 2023-09-05 - G06N20/00
- 一种神经形态突触阵列,包括:多个突触阵列单元,所述多个突触阵列单元通过电路连接,使得所述突触阵列单元被分配给阵列的行和列,所述突触阵列单元分别具有单极性突触权重,所述行分别连接到所述突触阵列单元的相应输入端,所述列分别连接到所述突触阵列单元的相应输出端,在所述阵列的列中排列的所述突触阵列单元被定义为操作列阵列;以及电流镜阵列,每个电流镜呈现N:1的镜比率,其中N是所述突触阵列单元的列的数量,分别连接到相应行使得与所有所述电流镜对应的权重被设置为在学习阶段期间被更新的所有所述突触阵列单元的平均权重。
- 专利分类