1 |
1
뉴로모픽 컴퓨팅(Neuromorphic Computing) 장치에 있어서,입력 데이터를 소정의 개선된 Spiking Neural Networks (SNN) 알고리즘 모델에 적용하여 결과를 추론하는 뉴로모픽 컴퓨팅 모듈; 및상기 뉴로모픽 컴퓨팅과 관련된 정보를 저장하는 메모리를 포함하되,상기 입력 데이터에 대해 뉴런들에 결과에 대응하는 각 라벨이 할당되어 있고,상기 뉴로모픽 컴퓨팅 모듈은 상기 소정의 개선된 SNN 알고리즘 모델에서 베이즈(Bayesian) 추론에 기초하여, 라벨 각각에 대한 확률을 각각 계산하여 확률이 더 가장 높은 라벨을 결과로서 추론하는 것을 특징으로 하는, 뉴로모픽 컴퓨팅 장치
|
2 |
2
제 1항에 있어서,상기 라벨 각각에 대한 확률은 라벨 별로 상기 라벨에 할당된 뉴런들에 발화된 스파이스 수와 상기 뉴런들의 수에 기초하여 계산되는, 뉴로모픽 컴퓨팅 장치
|
3 |
3
제 1항에 있어서,상기 입력 데이터는 손 글씨 데이터에 해당하는, 뉴로모픽 컴퓨팅 장치
|
4 |
4
뉴로모픽 컴퓨팅(Neuromorphic Computing)을 위한 학습 장치에 있어서,개선된 Spiking Neural Networks (SNN) 알고리즘 모델을 이용하여 학습하는 뉴로모픽 컴퓨팅 모듈; 및상기 뉴로모픽 컴퓨팅과 관련된 정보를 저장하는 메모리를 포함하되,상기 뉴로모픽 컴퓨팅 모듈은,입력 데이터에 대해 발화된 흥분성 뉴런 레이어의 제 1 흥분성 뉴런은 억제성 뉴런 레이어의 제 1 억제성 뉴런에 스파이크를 전달하고, 상기 흥분성 뉴런 레이어에 상기 스파이크를 전달한 제 1 흥분성 뉴런과 연관된 흥분성 뉴런이 없다면, 상기 억제성 뉴런 레이어에서 상기 제 1 흥분성 뉴런을 제외한 나머지 뉴런에 제 1 억제 가중치를 전달하되,상기 흥분성 뉴런 레이어에 상기 스파이크를 전달한 제 1 흥분성 뉴런과 연관된 흥분성 뉴런이 있다면, 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런에 대해서는 제 2 억제 가중치를 전달하고, 상기 제 2 흥분성 뉴런을 제외한 나머지 흥분성 뉴런에 대해서는 상기 제 1 억제 가중치를 전달하도록 학습하며,상기 제 1 흥분성 뉴런과 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런은 동일한 입력 데이터에 대해 함께 발화된 흥분성 뉴런들에 해당하고,상기 제 2 억제 가중치는 상기 제 1 억제 가중치 보다 억제량이 작은, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
5 |
5
제 4항에 있어서,상기 뉴로모픽 컴퓨팅 모듈은,상기 제 1 흥분성 뉴런과 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런의 억제 가중치가 소정의 임계치보다 크면 상기 제 1 흥분성 뉴런, 상기 제 2 흥분성 뉴런 및 상기 제 1 억제성 뉴런을 와이어링하고(wiring),상기 제 1 흥분성 뉴런이 다시 발화되어 상기 제 1 억제성 뉴런에 스파이크를 전달한 경우, 상기 제 1 억제성 뉴런은 상기 제 1 흥분성 뉴런과 와이어링된 상기 제 2 흥분성 뉴런에는 억제 가중치가 전달되지 않도록 하는 것을 학습하는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
6 |
6
제 4항에 있어서,상기 제 1 억제 가중치는 마이너스 50 (-50)에 해당하는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
7 |
7
제 4항에 있어서,상기 제 2 억제 가중치는 마이너스 50 보다 큰 값에 해당하는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
8 |
8
제 5항에 있어서,상기 소정의 임계치는 마이너스 47 (-47)에 해당하는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
9 |
9
제 4항에 있어서,상기 입력 데이터는 포아송(poisson) 인코딩을 통해 변환되어 LIF 형태로 입력 뉴런 레이어에 입력되는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
10 |
10
제 4항에 있어서,상기 입력 데이터는 포아송(Poisson) 인코딩을 통해 변환되어 Leaky Integrate-and-Fire (LIF) 형태의 입력 뉴런 레이어에 입력되는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
11 |
11
제 10항에 있어서,상기 뉴로모픽 컴퓨팅 모듈은 Spike-time dependent plasticity (STDP) 학습을 통해 상기 입력 뉴런 레이어 와 상기 흥분성 뉴런 레이어 사이의 가중치를 학습하는, 뉴로모픽 컴퓨팅을 위한 학습 장치
|
12 |
12
뉴로모픽 컴퓨팅(Neuromorphic Computing) 방법에 있어서,상기 뉴로모픽 컴퓨팅과 관련된 정보를 저장하는 단계; 및입력 데이터를 소정의 개선된 Spiking Neural Networks (SNN) 알고리즘 모델에 적용하여 결과를 추론하는 단계를 포함하되,상기 결과를 추론 단계는, 상기 입력 데이터에 대해 뉴런들에 결과에 대응하는 각 라벨이 할당되어 있는 상황에서 상기 소정의 개선된 SNN 알고리즘 모델에서 베이즈(Bayesian) 추론에 기초하여, 라벨 각각에 대한 확률을 각각 계산하여 확률이 더 가장 높은 라벨을 결과로서 추론하는 것을 특징으로 하는, 뉴로모픽 컴퓨팅 방법
|
13 |
13
제 12항에 있어서,상기 결과를 추론 단계는 상기 라벨 각각에 대한 확률은 라벨 별로 상기 라벨에 할당된 뉴런들에 발화된 스파이스 수와 상기 뉴런들의 수에 기초하여 계산하는 단계를 더 포함하는, 뉴로모픽 컴퓨팅 방법
|
14 |
14
뉴로모픽 컴퓨팅(Neuromorphic Computing)을 위한 학습 방법에 있어서,입력 데이터에 대해 발화된 흥분성 뉴런 레이어의 제 1 흥분성 뉴런은 억제성 뉴런 레이어의 제 1 억제성 뉴런에 스파이크를 전달하는 단계;상기 흥분성 뉴런 레이어에 상기 스파이크를 전달한 제 1 흥분성 뉴런과 연관된 흥분성 뉴런이 없다면, 상기 억제성 뉴런 레이어에서 상기 제 1 흥분성 뉴런을 제외한 나머지 뉴런에 제 1 억제 가중치를 전달하는 단계; 및상기 흥분성 뉴런 레이어에 상기 스파이크를 전달한 제 1 흥분성 뉴런과 연관된 흥분성 뉴런이 있다면, 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런에 대해서는 제 2 억제 가중치를 전달하고, 상기 제 2 흥분성 뉴런을 제외한 나머지 흥분성 뉴런에 대해서는 상기 제 1 억제 가중치를 전달하도록 학습하는 단계를 포함하되,상기 제 1 흥분성 뉴런과 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런은 동일한 입력 데이터에 대해 함께 발화된 흥분성 뉴런들에 해당하고,상기 제 2 억제 가중치는 상기 제 1 억제 가중치 보다 억제량이 작은, 뉴로모픽 컴퓨팅을 위한 학습 방법
|
15 |
15
제 14항에 있어서,상기 제 1 흥분성 뉴런과 상기 제 1 흥분성 뉴런과 연관된 제 2 흥분성 뉴런의 억제 가중치가 소정의 임계치보다 크면 상기 제 1 흥분성 뉴런, 상기 제 2 흥분성 뉴런 및 상기 제 1 억제성 뉴런을 와이어링(wiring) 하는 단계; 및상기 제 1 흥분성 뉴런이 다시 발화되어 상기 제 1 억제성 뉴런에 스파이크를 전달한 경우, 상기 제 1 억제성 뉴런은 상기 제 1 흥분성 뉴런과 와이어링된 상기 제 2 흥분성 뉴런에는 억제 가중치가 전달되지 않도록 학습하는 단계를 더 포함하는, 뉴로모픽 컴퓨팅을 위한 학습 방법
|
16 |
16
제 12항 또는 제 13항에 기재된 뉴로모픽 컴퓨팅 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
17 |
17
제 14항 또는 제 15항에 기재된 뉴로모픽 컴퓨팅을 위한 학습 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|