| 1 |
1
현재 학습 과정 동안의 타임스텝 별 제1 및 제2 막전위를 측정하는 막전위 측정 단계;상기 타임스텝 별 상기 제1 및 제2 막전위에 기초하여 상기 제1 및 제2 막전위의 분포 데이터를 추출하는 분포 데이터 추출 단계;상기 제1 및 제2 막전위의 분포 데이터에 기초하여 다음 학습 과정에서 사용될 임계값을 계산하는 임계값 계산 단계;이전 학습 과정에서 계산된 상기 임계값에 기초하여, 학습 기여도가 없는 이미지를 분류하는 이미지 분류 단계; 및상기 타임스텝에서 상기 제1 및 제2 막전위의 차이가 상기 임계값보다 큰 경우, 상기 이미지에 상기 학습 기여도가 없다고 판단하여 상기 타임스텝에서의 학습을 종료하는 학습 조기 종료 단계를 포함하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 2 |
2
제1항에 있어서,상기 제1 막전위는 정답 뉴런의 막전위이고, 상기 제2 막전위는 복수 개의 막전위 중 상기 정답 뉴런의 막전위 값을 제외한 막전위 중 가장 큰 막전위인, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 3 |
3
제2항에 있어서,상기 임계값 계산 단계는 수학식 1에 기초하여 상기 임계값을 계산하고,상기 수학식 1은 a=m+2σ이고,상기 a는 상기 임계값이고, 상기 m은 상기 학습 기여도가 있는 이미지의 막전위 차 분포의 평균이며, 상기 σ는 상기 학습 기여도가 있는 이미지의 막전위 차 분포의 편차인, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 4 |
4
제2항에 있어서,상기 이미지 분류 단계는 수학식 2에 기초하여 상기 학습 기여도가 없는 이미지와 상기 학습 기여도가 있는 이미지의 경계를 설정하고,상기 수학식 2는 y=x-a이고,상기 a는 상기 이전 학습 과정에서 계산된 임계값이고, 상기 x는 상기 정답 뉴런의 막전위이고, 상기 y는 상기 복수 개의 막전위 중 상기 정답 뉴런의 막전위 값을 제외한 막전위 중 가장 큰 막전위인, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 5 |
5
제4항에 있어서,상기 학습 조기 종료 단계는 상기 수학식 2로부터 변형된 수학식 3에 기초하여 상기 학습 기여도가 없는 이미지를 판단하고,상기 수학식 3은 x-y≥a이고,상기 a는 상기 이전 학습 과정에서 계산된 임계값이고, 상기 x는 상기 정답 뉴런의 막전위이고, 상기 y는 상기 복수 개의 막전위 중 상기 정답 뉴런의 막전위 값을 제외한 막전위 중 가장 큰 막전위인, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 6 |
6
제5항에 있어서,상기 학습 조기 종료 단계는 상기 타임스텝 별 상기 제1 및 제2 막전위, 및 상기 임계값을 상기 수학식 3에 대입하여 상기 수학식 3이 성립될 경우에 학습 기여도가 없는 이미지로 판단하여 상기 타임스텝에서의 학습을 종료하고,상기 타임스텝 별 상기 제1 및 제2 막전위, 및 상기 임계값을 상기 수학식 3에 대입하여 상기 수학식 3이 성립되지 않을 경우에 학습 기여도가 있는 이미지로 판단하여 학습을 진행하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 7 |
7
제1항에 있어서,상기 타임스텝은 제1 내지 제8 타임스텝을 포함하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 방법
|
| 8 |
8
스파이킹 뉴럴 네트워크의 입력 스파이크 신호가 입력되는 입력 레이어 모듈;상기 입력 스파이크 신호를 입력받는 히든 레이어 모듈;상기 히든 레이어 모듈로부터 입력 스파이크 신호를 전달받고, 학습 기여도가 없는 이미지를 판단하며, 상기 학습 기여도의 유무를 판단하기 위한 임계값을 계산하는 출력 레이어 모듈; 및상기 출력 레이어 모듈이 판단한 상기 학습 기여도의 유무에 기초하여 학습 과정을 종료하는 글로벌 컨트롤러를 포함하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
| 9 |
9
제8항에 있어서,상기 히든 레이어 모듈은,상기 입력 레이어 모듈로부터 입력 스파이크 신호를 전달받고, 입력 스파이크에 기초하여 복수 개의 뉴런들의 막전위를 계산하는 막전위 업데이트 모듈;상기 입력 스파이크 신호의 입력에 기초하여 상기 입력 스파이크들의 가중치들을 상기 막전위에 더하는 가중치 업데이트 모듈;상기 복수 개의 뉴런들의 막전위를 저장하는 막전위 버퍼; 및상기 복수 개의 뉴런들의 스파이크 발생 시간을 저장하는 스파이크 시간 버퍼를 포함하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
| 10 |
10
제8항에 있어서,상기 출력 레이어 모듈은,상기 히든 레이어 모듈로부터 상기 입력 스파이크 신호를 전달받는 스파이크 버퍼;상기 스파이크 버퍼로부터 입력 스파이크 신호를 전달받고, 입력 스파이크에 기초하여 복수 개의 뉴런들의 막전위를 계산하는 막전위 업데이트 모듈;상기 입력 스파이크 신호의 입력에 기초하여 상기 입력 스파이크들의 가중치들을 상기 막전위에 더하는 가중치 업데이트 모듈;상기 복수 개의 뉴런들의 막전위를 저장하는 막전위 버퍼;상기 복수 개의 뉴런들의 스파이크 발생 시간을 저장하는 스파이크 시간 버퍼;학습 과정 중 순전파 과정이 모두 끝난 후의 상기 복수 개의 뉴런들의 스파이크 발생 시간과 목표하는 정답 신호와의 차이를 계산하는 에러 계산부;상기 순전파 과정에서 각 타임스텝의 연산이 끝났을 때, 상기 학습 기여도가 없는 이미지를 판단하는 조기 판단부; 및상기 순전파 과정이 모두 끝난 후에 다음 학습에서 사용될 임계값을 계산하는 임계값 계산부를 포함하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
| 11 |
11
제10항에 있어서,상기 조기 판단부는 타임스텝에서 제1 및 제2 막전위의 차이가 상기 임계값보다 큰 경우, 상기 이미지에 상기 학습 기여도가 없다고 판단하여 상기 타임스텝에서의 학습을 종료하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
| 12 |
12
제10항에 있어서,상기 임계값 계산부는 상기 복수 개의 뉴런들의 막전위 중 제1 및 제2 막전위의 분포 데이터에 기초하여 다음 학습 과정에서 사용될 상기 임계값을 계산하는, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
| 13 |
13
제12항에 있어서,상기 제1 막전위는 정답 뉴런의 막전위이고, 상기 제2 막전위는 복수 개의 막전위 중 상기 정답 뉴런의 막전위 값을 제외한 막전위 중 가장 큰 막전위인, 스파이킹 뉴럴 네트워크의 지도 학습 가속 장치
|
