-
Patent Agency Ranking
公开(公告)号：WO2018205533A1
公开(公告)日：2018-11-15
申请号：PCT/CN2017/110871
申请日：2017-11-14
Applicant: 清华大学
IPC: G06N3/063
Abstract: 一种电路结构及其驱动方法、神经网络。该电路结构（100）包括：至少一个电路单元（101），每个电路单元（101）包括第一组阻变器件（1）和第二组阻变器件（2），第一组阻变器件（1）包括阻值渐变器件（10），第二组阻变器件（2）包括阻值突变器件（20），第一组阻变器件（1）和第二组阻变器件（2）串联连接，在未加电压的情况下，第一组阻变器件（1）的阻值大于第二组阻变器件（2）的阻值。该电路结构利用阻值渐变器件和阻值突变器件串联连接形成类神经元结构，以实现模拟人脑神经元的功能。
-
公开(公告)号：WO2021114859A1
公开(公告)日：2021-06-17
申请号：PCT/CN2020/121244
申请日：2020-10-15
Applicant: 清华大学
IPC: G06N3/00
Abstract: 本申请公开了一种利用忆阻器本征噪声实现贝叶斯神经网络的方法及装置，其中，该方法包括：获取贝叶斯网络，根据选定的数据集对所述贝叶斯网络进行训练得到所述贝叶斯网络的权重分布；对所述贝叶斯网络的权重分布进行处理，根据处理后的权重分布及多个忆阻器的电导进行计算，得到目标电导值，将所述目标电导值映射到所述忆阻器中。该方法利用忆阻器交叉阵列实现贝叶斯神经网络，功耗低，计算速度快，计算能效高。
-
公开(公告)号：WO2021082325A1
公开(公告)日：2021-05-06
申请号：PCT/CN2020/078203
申请日：2020-03-06
Applicant: 清华大学
IPC: G06N3/04
Abstract: 一种基于忆阻器的神经网络的训练方法及其训练装置。该神经网络包括逐一连接的多层神经元层以及在神经元层之间的权重参数，该训练方法包括：训练神经网络的权重参数，并基于训练后的权重参数对忆阻器阵列进行编程，以将训练后的权重参数写入忆阻器阵列中；以及通过调节忆阻器阵列的部分电导值以更新神经网络的至少一层权重参数。该训练方法弥补了忆阻器神经网络的片上训练和片外训练实现方案的不足，从神经网络系统实现角度出发，解决了由于良率问题、非一致性问题、电导漂移以及随机的波动性等器件非理想特性造成的神经网络系统的功能退化，极大地简化了神经网络系统的复杂度，降低了神经网络系统的实现成本。
-
公开(公告)号：WO2022135209A1
公开(公告)日：2022-06-30
申请号：PCT/CN2021/137446
申请日：2021-12-13
Applicant: 清华大学
IPC: G06N3/063
Abstract: 一种用于神经网络的权值的量化方法、量化装置及存储介质。神经网络基于交叉阵列模拟存内计算系统实现，量化方法包括：获取权值的分布特性；以及根据权值的分布特性，确定用于量化权值的初始量化参数，以减小量化权值的量化误差。本公开的实施例所提供的量化方法不预先限定所使用的量化方法，而是根据权值的分布特性来确定用于量化权值的量化参数，以减小量化误差，从而使得在相同的映射开销下，神经网络的模型效果更好；另外，在相同的神经网络的模型效果下，映射开销更小。
-
公开(公告)号：WO2019144453A1
公开(公告)日：2019-08-01
申请号：PCT/CN2018/077087
申请日：2018-02-24
Applicant: 清华大学
Abstract: 一种神经网络及其信息处理方法、信息处理系统。该神经网络(10)包括逐一连接的N层神经元层，除第一层神经元层(11)外，其余各层神经元层的各个神经元(14)包括m个树突单元(141)和一个海马单元(142)；其中，所述树突单元(141)包括阻值渐变器件，所述海马单元(142)包括阻值突变器件，且所述m个树突单元(141)可分别设置有不同的阈值电压或电流；以及第n层神经元层的神经元(14)分别与第n+1层神经元层的神经元(14)的所述m个树突单元(141)相连接；其中，N为大于等于3的整数，m为大于1的整数，n为大于等于1且小于N的整数。该神经网络可以通过树突单元过滤掉大部分非关键信息，从而减少了神经网络的信息处理量，降低了神经网络运算的功耗，提高了神经网络对关键信息的处理效率。
-
-
-
-
Search Results
5
records
(took 0.008 seconds)
