맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

효율적이고 정확한 이진화된 심층 스파이킹 신경망

  • 기술번호 : KST2023007816
  • 담당센터 : 인천기술혁신센터
  • 전화번호 : 032-420-3580
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 효율적이고 정확한 이진화된 심층 스파이킹 신경망 및 그 동작 방법이 제시된다. 본 발명에서 제안하는 효율적이고 정확한 이진화된 심층 스파이킹 신경망의 동작 방법은 입력 뉴런부로부터 입력 받은 입력 스파이크에 대하여 IF(Integrate and Fire) 모델에 기초한 근사를 사용해 IF 뉴런의 활성화 함수가 선형 함수가 되도록 근사를 진행하는 단계, 역전파(Backpropagation)를 통한 신경망 학습을 위해 상기 근사화된 IF 뉴런의 활성화 함수를 LIF 뉴런 회로부를 통해 LIF(Leaky-Integrate and Fire) 뉴런의 활성화 함수로 표현하기 위한 누설 효과 텀(leaky effect term)을 추가하는 단계 및 학습부를 통해 가중치 및 입력과 출력의 이진화를 적용하여 심층 스파이킹 신경망의 역전파를 이용한 학습을 수행하는 단계를 포함한다.
Int. CL G06N 3/04 (2023.01.01) G06N 3/08 (2023.01.01) G06N 3/048 (2023.01.01) G06N 3/063 (2023.01.01) G06F 17/13 (2006.01.01)
CPC G06N 3/049(2013.01) G06N 3/084(2013.01) G06N 3/048(2013.01) G06N 3/063(2013.01) G06F 17/13(2013.01)
출원번호/일자 1020230115449 (2023.08.31)
출원인 인하대학교 산학협력단
등록번호/일자
공개번호/일자 10-2023-0131807 (2023.09.14) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 공개
심사진행상태 수리
심판사항
구분 국내출원/분할
원출원번호/일자 10-2021-0181554 (2021.12.17)
관련 출원번호 1020210181554
심사청구여부/일자 Y (2023.08.31)
심사청구항수 7

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 인하대학교 산학협력단 대한민국 인천광역시 미추홀구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 서영교 경기도 부천시 길주로**번길 *
2 최수름 인천광역시 연수구
3 이연진 인천광역시 미추홀구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 양성보 대한민국 서울특별시 강남구 선릉로***길 ** (논현동) 삼성빌딩 *층(피앤티특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [분할출원]특허출원서
[Divisional Application] Patent Application		 2023.08.31 수리 (Accepted) 1-1-2023-0963217-63
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
LIF(Leaky-Integrate and Fire) 근사 미분 방정식을 사용하여 역전파(Backpropagation)를 기법 기반으로 학습된 심층 스파이킹 신경망의 제1 뉴런을 구현하는 LIF 뉴런 회로부에서, 입력 스파이크를 입력받는 단계;상기 LIF 뉴런 회로부에서, 상기 제1 뉴런과 상기 제1 뉴런의 이전 뉴런인 제2 뉴런을 서로 잇는 시냅스의 가중치를 상기 입력 스파이크에 누적하는 단계; 및상기 LIF 뉴런 회로부에서, 상기 누적된 입력 스파이크의 세기가 미리 지정된 발화 문턱값 이상이면, 출력 스파이크(Output spike) 신호를 출력하는 단계를 포함하는 심층 스파이킹 신경망의 동작 방법
2 2
제1항에 있어서,상기 LIF 근사 미분 방정식은 IF(Integrate and Fire) 모델에 기초한 근사를 사용해 IF 뉴런의 활성화 함수가 선형 함수가 되도록 근사를 진행하고, 상기 근사가 진행된 IF 뉴런의 활성화 함수를 LIF 뉴런의 활성화 함수로 표현하기 위한 누설 효과 텀(leaky effect term)을 추가하여 생성되는 심층 스파이킹 신경망의 동작 방법
3 3
제1항에 있어서,상기 제2 뉴런은 복수 개의 뉴런들이고,상기 입력 스파이크를 누적하는 단계는,상기 제1 뉴런과 상기 복수 개의 뉴런들 각각을 서로 잇는 복수의 시냅스의 가중치들을 상기 입력 스파이크에 누적하는 것을 특징으로 하는 심층 스파이킹 신경망의 동작 방법
4 4
제1항에 있어서,상기 시냅스의 가중치, 상기 LIF 뉴런 회로부의 입력 및 상기 LIF 뉴런 회로부의 출력 각각이 +1과 -1로 제한되어 이진화됨에 따라 산술 연산이 경량화된 비트 간의 연산으로 대체되는 것을 특징으로 하는 심층 스파이킹 신경망의 동작 방법
5 5
심층 스파이킹 신경망에 있어서,상기 심층 스파이킹 신경망은 LIF(Leaky-Integrate and Fire) 근사 미분 방정식을 사용하여 역전파(Backpropagation)를 기법 기반으로 학습되고,상기 심층 스파이킹 신경망의 제1 뉴런을 구현하는 LIF 뉴런 회로부를 포함하고,상기 LIF 뉴런 회로부는,입력 스파이크를 입력받고,상기 제1 뉴런과 상기 제1 뉴런의 이전 뉴런인 제2 뉴런을 서로 잇는 시냅스의 가중치를 상기 입력 스파이크에 누적하고,상기 누적된 입력 스파이크의 세기가 미리 지정된 발화 문턱값 이상이면, 출력 스파이크(Output spike) 신호를 출력하는 것을 특징으로 하는 심층 스파이킹 신경망
6 6
제5항에 있어서,상기 LIF 근사 미분 방정식은 IF(Integrate and Fire) 모델에 기초한 근사를 사용해 IF 뉴런의 활성화 함수가 선형 함수가 되도록 근사를 진행하고, 상기 근사가 진행된 IF 뉴런의 활성화 함수를 LIF 뉴런의 활성화 함수로 표현하기 위한 누설 효과 텀(leaky effect term)을 추가하여 생성되는 것을 특징으로 하는 심층 스파이킹 신경망
7 7
제5항에 있어서,상기 시냅스의 가중치, 상기 LIF 뉴런 회로부의 입력 및 상기 LIF 뉴런 회로부의 출력 각각이 +1과 -1로 제한되어 이진화됨에 따라 산술 연산이 경량화된 비트 간의 연산으로 대체되는 것을 특징으로 하는 심층 스파이킹 신경망
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.