-
公开(公告)号：CN111373414B
公开(公告)日：2023-08-25
申请号：CN201880074824.X
申请日：2018-11-19
Applicant: 国际商业机器公司
Inventor： G·伯尔
IPC: G06N3/02
Abstract: 人工神经网络(ANN)是分布式计算模型，其中计算是用许多简单的处理单元(称为神经元)来完成的，其中数据由神经元之间的连接(称为突触)以及这些连接的强度(突触权重)来体现。ANN的有吸引力的实现使用非易失性存储器(NVM)元件的电导来记录突触权重，其中在数据处适当地执行重要的乘法‑累加步骤。在该应用中，NVM的响应中的非理想性，例如响应于编程脉冲的非线性、饱和、随机性和非对称性，导致与理想网络实现相比降低的网络性能。示出了一种方法，该方法在将在较不重要的带符号的模拟电导对之间的权重信息传递到较重要的模拟电导对时，通过周期性地反转跨重要性变化的多个电导被分布的突触权重内的较不重要的带符号的模拟电导对的极性来改善性能。
-
公开(公告)号：CN116261730A
公开(公告)日：2023-06-13
申请号：CN202180066048.0
申请日：2021-09-03
Applicant: 国际商业机器公司
Inventor： G·伯尔
IPC: G06N3/02
Abstract: 提供了具有全局部存储的基于模拟存储器的神经网络的流水线。隐藏层中的第一突触阵列在前馈操作期间从先前层接收输入阵列。由第一突触阵列在前馈操作期间存储输入阵列。由隐藏层中的第二突触阵列在前馈操作期间接收输入阵列。第二突触阵列在前馈操作期间基于第二突触阵列的权重来计算来自输入阵列的输出。存储的输入阵列在反向传播操作期间从第一突触阵列提供给第二突触阵列。由第二突触阵列在反向传播操作期间接收校正值。基于校正值和所存储的输入阵列，更新第二突触阵列的权重。
-
公开(公告)号：CN110192207B
公开(公告)日：2023-10-24
申请号：CN201780084089.6
申请日：2017-12-20
Applicant: 国际商业机器公司
Abstract: 人工神经网络(ANN)中的计算是使用称为神经元的简单处理单元完成的，其中数据由神经元之间的连接(称为突触)以及这些连接的强度(突触权重)体现。交叉开关阵列可用于表示在每个交叉点处具有非易失性存储器(NVM)元件的ANN的一层，其中NVM元件的电导可用于编码突触权重，并且阵列上的高度并行电流求和实现代表输出神经元值的加权和运算。概述了一种方法，以将这样的神经元值从一个阵列的输出传递到第二阵列的输入，而不需要全局时钟同步，而不管阵列之间的距离，并且在下一个阵列处使用这样的值，和/或将这些值过渡为下一阵列的数字位。
-
Patent Agency Ranking
公开(公告)号：CN116348887A
公开(公告)日：2023-06-27
申请号：CN202180069858.1
申请日：2021-09-10
Applicant: 国际商业机器公司
IPC: G06N3/063
Abstract: 通过提供包括电阻元件的阵列和第一级电流镜的电路，在分段镜上分配乘累积电流，该阵列包括行和列，每个电流镜被电耦合到一段，其中，该段包括电阻元件的列子集，由该阵列提供电流输出的向量，该电流输出的向量等于输入到阵列的电压向量与阵列内的模拟电阻权重的矩阵之间的模拟向量‑矩阵乘积，其中，电压输入编码模拟输入值的向量，其中，电阻元件的每一行对应于特定电压输入，确定每一行的分数，根据每一行的分数确定阵列的行的排序，以及根据排序向段映射每一行。
-
公开(公告)号：CN115699028A
公开(公告)日：2023-02-03
申请号：CN202180036838.4
申请日：2021-05-13
Applicant: 国际商业机器公司
Abstract: 实现卷积神经网络(CNN)包括配置交叉点阵列以实现CNN中的卷积层。该层的卷积核被存储在阵列的交叉点器件中。通过将一组操作迭代预定次数来执行CNN的计算。该操作包括将对应于输入数据的向量的子部分的电压脉冲发送给交叉点阵列。电压脉冲生成表示基于被存储在交叉点器件处的权重值在交叉点器件处执行乘法运算的电流。一组积分器基于来自相应交叉点器件的输出电流累加电荷。交叉点阵列在迭代预定次数之后输出累加的电荷。累加的电荷表示输入数据的向量与一个或多个卷积核的乘加结果。
-
公开(公告)号：CN114341890A
公开(公告)日：2022-04-12
申请号：CN202080060358.7
申请日：2020-07-17
Applicant: 国际商业机器公司
Inventor： G·伯尔
IPC: G06N3/08
Abstract: 一种用于抑制相变存储器(PCM)装置的异常值漂移的计算机实现的方法包括由控制器对所述PCM装置的电导进行编程，其中所述编程包括在第一时间点将所述PCM装置的所述电导配置成第一电导值，所述第一时间点是编程时间点。该编程还包括在第一预补偿时间点确定PCM器件的电导已经改变到第二电导值，第二电导值与目标电导值相差不大于预定阈值。进一步，编程包括：基于上述确定，在第二时间点将PCM器件重新编程为第一电导值，包括再次测量所述预补偿，但是在第二预补偿时间点。
-
公开(公告)号：CN111373414A
公开(公告)日：2020-07-03
申请号：CN201880074824.X
申请日：2018-11-19
Applicant: 国际商业机器公司
Inventor： G·伯尔
IPC: G06N3/02
Abstract: 人工神经网络(ANN)是分布式计算模型，其中计算是用许多简单的处理单元(称为神经元)来完成的，其中数据由神经元之间的连接(称为突触)以及这些连接的强度(突触权重)来体现。ANN的有吸引力的实现使用非易失性存储器(NVM)元件的电导来记录突触权重，其中在数据处适当地执行重要的乘法-累加步骤。在该应用中，NVM的响应中的非理想性，例如响应于编程脉冲的非线性、饱和、随机性和非对称性，导致与理想网络实现相比降低的网络性能。示出了一种方法，该方法在将在较不重要的带符号的模拟电导对之间的权重信息传递到较重要的模拟电导对时，通过周期性地反转跨重要性变化的多个电导被分布的突触权重内的较不重要的带符号的模拟电导对的极性来改善性能。
-
公开(公告)号：CN110192207A
公开(公告)日：2019-08-30
申请号：CN201780084089.6
申请日：2017-12-20
Applicant: 国际商业机器公司
Abstract: 人工神经网络(ANN)中的计算是使用称为神经元的简单处理单元完成的，其中数据由神经元之间的连接(称为突触)以及这些连接的强度(突触权重)体现。交叉开关阵列可用于表示在每个交叉点处具有非易失性存储器(NVM)元件的ANN的一层，其中NVM元件的电导可用于编码突触权重，并且阵列上的高度并行电流求和实现代表输出神经元值的加权和运算。概述了一种方法，以将这样的神经元值从一个阵列的输出传递到第二阵列的输入，而不需要全局时钟同步，而不管阵列之间的距离，并且在下一个阵列处使用这样的值，和/或将这些值过渡为下一阵列的数字位。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
