| 1 |
1
(A) 인공 신경망의 뉴로모픽 하드웨어 구현 장치는 인공 신경망의 학습 수행을 통해 획득된 시냅스별 연결 강도에 대응하는 복수의 가중치를 텐서로 나타내어 텐서 분해하는 과정과,(B) 인공 신경망의 뉴로모픽 하드웨어 구현 장치는 상기 텐서 분해를 통해 얻어진 데이터를 이용하여 저차(Low-rank) 근사화 기반 근사화된 가중치 텐서를 획득하는 과정과,(C) 인공 신경망의 뉴로모픽 하드웨어 구현 장치는 상기 근사화된 가중치 텐서에 대응되게 인공 신경망의 가중치 및 구조가 조정된 인공 신경망의 시냅스별 트레이닝이 상기 (A) 단계부터 반복적으로 재수행되는 과정을 포함함을 특징으로 하며, 상기 저차 근사화는,상기 텐서 x(s)의 행렬화 M(x(s))의 W(i, j) 요소 wi,j를 wi,j=ai(1)bj(1)+ai(2)bj(2)+ai(3)bj(3)…ai(l)bj(l)의 형태의 인수들의 곱의 합으로 근사화하여 수행됨을 특징으로 하며, 여기에서, i와 j는 임의의 정수이고, wi,j는 텐서 행렬화 M(x(s))의 W(i, j)의 요소이며, ai와 bj는 방정식을 통해서 인수분해를 통해 얻어지는 임의의 실수를 나타내며, W는 가중치 행렬이고, k를 행렬 M(x(s))의 랭크로 양의 정수라고 할때 1은 k보다 작은 정수이며, 상기 wi,j에 대한 aiq와 bjq에 대응하는 인수들은 뉴로모픽 회로에 저장하여 인공 신경망의 학습을 수행함을 특징으로 하는 인공 신경망의 뉴로모픽 하드웨어 구현 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서, 상기 텐서 분해하는 과정은, 상기 텐서에 특이값(singular value)분해를 분할 정복(divide and conquer) 방식으로 적용하는 알고리즘을 통해 수행됨을 특징으로 하는 인공 신경망의 뉴로모픽 하드웨어 구현 방법
|
| 4 |
4
제3항에 있어서, 상기 알고리즘은,n1 x n2 x
|
| 5 |
5
제 3항에 있어서, 상기 특이값 분해는,상기 텐서 x(s)의 행렬화 M(x(s))의 W(i, j) 요소 wi,j를 wi,j=ai(1)bj(1)+ai(2)bj(2)+ai(3)bj(3)…ai(l)bj(l)형태로 분해됨을 특징으로 하며, 여기에서, i와 j는 임의의 정수이고, wi,j는 텐서 행렬화 M(x(s))의 (i, j)의 요소이며, ai와 bj는 방정식을 통해서 인수분해를 통해 얻어지는 임의의 실수를 나타내며, k는 행렬 M(x(s))의 랭크를 나타내는 인공 신경망의 뉴로모픽 하드웨어 구현 방법
|
| 6 |
6
삭제
|
| 7 |
7
삭제
|
| 8 |
8
제1항에 있어서, 상기 가중치 및 구조가 조정된 인공 신경망을 시냅스가 감소된 시간 지연 인공 신경망으로 변환시키는 과정을 더 포함함을 특징으로하는 인공 신경망의 뉴로모픽 하드웨어 구현 방법
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
삭제
|
