1 |
1
신경망에서의 입력 정보를 인버터의 문턱전압을 이용하여 시간 정보로 변환하는 전압-시간 변환기; 신경망에서의 가중치 정보를 변환한 전류를 상기 시간 정보에 응답하여 공급하는 전류-DAC; 및상기 전압-시간 변환기 및 상기 전류-DAC의 복수개 쌍에 병렬 연결되어, 상기 공급되는 전류를 합산하여 출력 전압으로 출력하는 누산 커패시터;를 구비하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기
|
2 |
2
제1항에 있어서,상기 전압-시간 변환기는 제1 펄스에 응답하여 턴 온되어 입력 전압을 전달하는 제1 입력 스위치;제2 펄스에 응답하여 턴 온되어 전원 전류를 전달하는 제2 입력 스위치;상기 입력 전압을 전달받아 상기 전달되는 전원 전류를 합하여 샘플링 전압으로 충전하는 샘플링 커패시터; 일정한 문턱 전압을 가지고, 상기 샘플링 전압을 인가받아 상기 샘플링 전압이 상기 문턱 전압을 초과하면, 하이 레벨값을 출력하는 인버터부; 및상기 인버터부의 출력 및 상기 제2 펄스를 입력받아 논리곱 연산하여 입력 펄스를 출력하는 AND 게이트;를 구비하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기
|
3 |
3
제2항에 있어서,상기 입력 펄스는 상기 전원 전류의 조절에 의해, 상기 시간 정보가 펄스폭이 되는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기
|
4 |
4
제3항에 있어서,상기 샘플링 커패시터는상기 전원 전류의 공급에 의해, 상기 샘플링 전압이 선형적으로 증가하는 구간동안 충전되고, 상기 충전 시간은 다음의 수학식과 같이 표현되며,CF 는 샘플링 커패시터의 커패시턴스값, VITH 는 인버터부의 문턱 전압값, ICH 는 전류원에서 공급되는 전류값인 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기
|
5 |
5
제2항에 있어서,상기 전류-DAC는 신경망에서의 가중치를 전류로 변환하여 공급하는 가중치 전류원; 및상기 전압-시간 변환기에서 생성된 상기 입력 펄스를 인가받아 턴 온되어, 상기 가중치 전류원으로부터 가중치 전류를 상기 누산 커패시터로 도통시키는 출력 스위치;를 구비하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기
|
6 |
6
신경망에서의 입력 정보를 인가받아 시간 정보로 변환하고, 가중치 정보를 변환한 전류를 인가받아 상기 시간 정보의 제어에 응답하여 인버터의 문턱전압에 따라 공급 및 합산해서 출력 전압으로 출력하는 곱셈 및 누산기 어레이; 상기 출력 전압을 인가받아 정규화하고, 신경망의 2차원 데이터를 인가받아 상기 시간 정보의 제어에 응답하여 풀링 동작을 수행하는 정규화 및 풀링부; 및상기 정규화 및 풀링부의 출력을 인가받아, 제어 로직의 제1 제어 신호에 응답하여 신경망의 활성화 레이어 동작을 수행하는 활성화부;를 구비하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기를 이용한 기계 학습 프로세서
|
7 |
7
제6항에 있어서,호스트 컴퓨터로부터 입력 데이터 및 가중치 데이터를 로드하는 입출력 인터페이스;상기 로드된 입력 데이터 중 이미지에 대한 입력 데이터를 임시 저장하는 이미지 버퍼; 및상기 로드된 가중치 데이터 중 이미지에 대한 가중치 데이터를 임시 저장하는 가중치 버퍼; 를 더 구비하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기를 이용한 기계 학습 프로세서
|
8 |
8
제7항에 있어서,상기 이미지 버퍼는 상기 제어 로직의 제2 제어 신호에 응답하여 상기 임시 저장된 입력 데이터에 상기 정규화 및 풀링부의 출력을 덮어쓰는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기를 이용한 기계 학습 프로세서
|
9 |
9
제7항에 있어서,상기 곱셈 및 누산기 어레이는 복수개의 곱셈 및 누산 셀을 구비하고, 상기 복수개의 곱셈 및 누산 셀 중 마지막 셀은, 상기 입력 데이터를 인가받아 DA 변환 및 증폭하여 상기 입력전압을 출력하는 입력전압 발생부;상기 입력 전압을 상기 인버터의 문턱전압을 이용하여 상기 시간 정보로 변환하는 전압-시간 변환기; 상기 가중치를 변환한 전류를 상기 시간 정보에 응답하여 공급하는 전류-DAC; 및상기 전압-시간 변환기 및 상기 전류-DAC의 복수개 쌍에 병렬 연결되어, 상기 공급되는 전류를 합산하여 상기 출력 전압으로 출력하는 누산 커패시터;를 포함하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기를 이용한 기계 학습 프로세서
|
10 |
10
제9항에 있어서,상기 입력전압 발생부는 상기 입력 데이터를 인가받아 디지털-아날로그 변환하여 프리 입력전압을 출력하는 DA 컨버터;상기 DA 컨버터에 병렬 연결되어 상기 프리 입력전압을 충전하는 입력 커패시터; 및상기 입력 커패시터에 병렬 연결되어 상기 프리 입력전압을 인가받아 증폭하여 상기 입력전압을 출력하는 OP AMP;를 구비하는 것을 특징으로 하는, 기계 학습용 아날로그 내적 연산기를 이용한 기계 학습 프로세서
|
11 |
11
호스트 컴퓨터가 훈련용 데이터를 입력받고, 신경망 모델링부로부터 모델링된 입력 이미지 데이터를 입력받는 단계;상기 호스트 컴퓨터가 상기 훈련용 데이터 및 상기 모델링된 입력 이미지 데이터에 비-이상성 모델링 훈련 알고리즘을 적용하여 훈련하고 가중치 매트릭스를 추출하는 단계; 필드 프로그래머블 게이트 어레이가 테스팅 데이터 및 상기 가중치 매트릭스를 입력받아, 프로그래밍하여 입력 이미지 데이터 및 가중치 데이터를 출력하는 단계; 및기계 학습 프로세서가 상기 입력 이미지 데이터 및 상기 가중치 데이터를 인가받아 곱셈 및 누산 동작을 수행하여 입력 이미지를 추론하는 단계;를 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
12 |
12
제 11 항에 있어서, 상기 비-이상성 모델링 훈련 알고리즘은 (a) 상기 필드 프로그래머블 게이트 어레이가 상기 테스팅 데이터를 로딩하는 단계; (b) 상기 기계 학습 프로세서 내 제어 로직이 비-이상성 모델링 훈련을 위한 파라미터를 정의 및 초기화하는 단계; (c) 상기 제어 로직이 비-이상성 내적 연산 여부를 판단하는 단계; 및(d) 비-이상성 내적 연산으로 판단된 경우 비-이상성 모델 구축 단계를 수행하고, 비-이상성 내적 연산으로 판단되지 않은 경우 일반적인 모델 구축 단계를 수행하는 단계; 를 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
13 |
13
제 12 항에 있어서, 상기 (d) 단계 이후에,(e) 상기 제어 로직이 해당 레이어가 아웃 레이어인지 여부를 판단하는 단계; 를 더 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
14 |
14
제 13 항에 있어서, 상기 (e) 단계에서,상기 해당 레이어가 아웃 레이어로 판단된 경우,상기 아웃 레이어에 대하여 모델 컴파일링하는 단계; 및상기 제어 로직이 훈련을 수행한 후에 정확도를 판단하는 단계; 를 더 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
15 |
15
제 13 항에 있어서, 상기 (d) 단계에서,상기 비-이상성 모델 구축 단계는,상기 해당 레이어가 아웃 레이어로 판단되지 않은 경우, 모델에 레이어를 추가하여 i+1 번째 입력 데이터를 다음의 수학식으로 표현된 비선형성 변동 함수를 이용하여 산출하는 단계; (W는 가중치, xi 는 i 번째 입력 데이터, nl 은 비선형성 요소, no 는 노이즈 요소, var 는 변동 요소) 및상기 제어 로직이 레이어 개수를 '1' 증가시켜 상기 (e) 단계로 회귀하는 단계; 를 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
16 |
16
제 15 항에 있어서, 상기 모델에 레이어를 추가하는 단계는, (a) 입출력 인터페이스가 입력 및 가중치에 대한 매트릭스와 비-이상성 모델링 훈련을 위한 파라미터를 입력받는 단계; (b) 상기 제어 로직이 상기 매트릭스 및 상기 파라미터를 전달받아, 다음의 수학식으로 표현된 변동 함수 연산을 수행하는 단계; (W는 가중치, X는 입력 데이터, nl 은 비선형성 요소, no 는 노이즈 요소, var 는 변동 요소)(c) 상기 제어 로직이 활성화부를 활성화할지 여부를 판단하는 단계; 및(d) 상기 활성화부를 활성화할 것으로 판단된 경우 상기 활성화부가 활성화 레이어 동작을 수행한 후에 매트릭스를 출력하고, 상기 활성화부를 활성화할 것으로 판단되지 않은 경우 바로 매트릭스를 출력하는 단계; 를 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|
17 |
17
제 13 항에 있어서, 상기 (d) 단계에서,상기 일반적인 모델 구축 단계는,상기 해당 레이어가 아웃 레이어로 판단되지 않은 경우, 모델에 레이어를 추가하여 i+1 번째 입력 데이터를 다음의 수학식으로 표현된 비선형성 변동 함수를 이용하여 산출하는 단계; (W는 가중치, xi 는 i 번째 입력 데이터) 및상기 제어 로직이 레이어 개수를 '1' 증가시켜 상기 (e) 단계로 회귀하는 단계; 를 포함하는 것을 특징으로 하는,기계 학습용 아날로그 내적 연산기를 이용한 학습 방법
|