用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置制造方法
【专利摘要】本公开的某些方面支持用于尖峰神经网络中的自然多尖峰序列的神经学习的技术。可取决于与突触相关联的资源来适配突触权重,该资源可以因权重变化而被消耗并且可以随时间推移而恢复。在本公开的一个方面,权重适配可以取决于自从上一次显著的权重变化以来的时间。
【专利说明】用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置
【背景技术】[0001]领域
[0002]本公开的某些方面一般涉及神经系统工程,更具体地涉及用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置。
[0003]背景
[0004]典型的取决于尖峰定时的可塑性(STDP)学习规则基于单对尖峰前(输入)与尖峰后(输出)之间的定时来适配突触权重。然而,自然尖峰序列(例如,在生物学中)和尖峰神经网络中的尖峰序列一般不具有清晰分开的尖峰对。因此,多个输入和输出尖峰表示一般情形。然而,基于STDP的学习可能因权重增大和减小的振荡而不能收敛。不仅如此,基本STDP学习规则可能未能计及多尖峰上下文中生物学上观察到的学习。
[0005]已在文献中基于理论提议了两种主要模型。一种方法需要基于所有组合对(突触前和突触后)的计算。然而,这种办法往往在计算上是昂贵的。另一种方法解释基于速率的效应,而非与时间编码有关的时间效应。此外,这种办法可以取决于神经元动态模型并且可能需要多个时标上的复杂滤波。
[0006]因此,希望有在计算上实用的、为在时间编码上下文中操作的尖峰网络提供稳定性和快速学习的、且还能够是生物学上似真的方法。
[0007]概述
[0008]本公开的某些方面提供一种神经学习的方法。该方法一般包括:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;以及基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。
[0009]本公开的某些方面提供了一种用于神经学习的装置。该装置一般包括:第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;以及第二电路,配置成基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。
[0010]本公开的某些方面提供了一种用于神经学习的设备。该设备一般包括:用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入的装置;以及用于基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重的装置。
[0011]本公开的某些方面提供了一种用于神经学习的计算机程序产品。该计算机程序产品一般包括计算机可读介质,该计算机可读介质包括用于执行以下操作的代码:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入,以及基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。
[0012]本公开的某些方面提供一种神经学习的方法。该方法一般包括:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。
[0013]本公开的某些方面提供了一种用于神经学习的装置。该装置一般包括:第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;第二电路,配置成基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及第三电路,配置成基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。
[0014]本公开的某些方面提供了一种用于神经学习的设备。该设备一般包括:用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入的装置;用于基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重的装置;以及用于基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑的装置。
[0015]本公开的某些方面提供了一种用于神经学习的计算机程序产品。该计算机程序产品一般包括计算机可读介质,该计算机可读介质包括用于执行以下操作的代码:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。
[0016]本公开的某些方面提供一种神经学习的方法。该方法一般包括:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及基于自从对该权重的改变的先前交付履行以来的时间量来确定该资源考虑。
[0017]本公开的某些方面提供了一种用于神经学习的装置。该装置一般包括:第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入;第二电路,配置成基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及第三电路,配置成基于自从对该权重的改变的先前交付履行以来的时间量来确定该资源考虑。
[0018]本公开的某些方面提供了一种用于神经学习的设备。该设备一般包括:用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入的装置;用于基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重的装置;以及用于基于自从对该权重的改变的先前交付履行以来的时间量来确定该资源考虑的装置。
[0019]本公开的某些方面提供了一种用于神经学习的计算机程序产品。该计算机程序产品一般包括计算机可读介质,该计算机可读介质包括用于以下操作的代码:通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输Λ ;基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重;以及基于自从对该权重的改变的先前交付履行以来的时间量来确定该资源考虑。
[0020]附图简述
[0021]为了能详细理解本公开的以上陈述的特征所用的方式,可参照各方面来对以上简要概述的内容进行更具体的描述,其中一些方面在附图中解说。然而应该注意,附图仅解说了本公开的某些典型方面,故不应被认为限定其范围,因为本描述可允许有其他等同有效的方面。
[0022]图1解说根据本公开的某些方面的神经元的示例网络。
[0023]图2解说了根据本公开的某些方面的突触前和突触后神经元尖峰和突触权重适配的示例。
[0024]图3解说了根据本公开的某些方面的突触前和突触后神经元尖峰发放和突触权重适配的另一示例。
[0025]图4解说了根据本公开的某些方面的突触前和突触后神经元尖峰发放和突触权重适配的另一示例。
[0026]图5解说了根据本公开的某些方面的突触前和突触后神经元尖峰发放和突触权重适配的另一示例。
[0027]图6解说了根据本公开的某些方面的神经学习的示例操作。
[0028]图6Α解说了能够执行图6中解说的操作的示例组件。
[0029]图7解说了根据本公开的某些方面的神经学习的其他示例操作。
[0030]图7Α解说了能够执行图7中解说的操作的示例组件。
[0031]图8解说了根据本公开的某些方面的神经学习的其他示例操作。
[0032]图8Α解说了能够执行图8中解说的操作的示例组件。
[0033]图9解说了根据本公开的某些方面的使用通用处理器进行神经学习的示例软件实现。
[0034]图10解说了根据本公开的某些方面的神经学习的示例实现,其中存储器可与个体分布式处理单元对接。
[0035]图11解说了根据本公开的某些方面的基于分布式存储器和分布式处理单元的
[0036]神经学习的示例实现。
[0037]详细描述
[0038]以下参照附图更全面地描述本公开的各个方面。然而,本公开可用许多不同形式来实施并且不应解释为被限定于本公开通篇给出的任何具体结构或功能。相反,提供这些方面是为了使得本公开将是透彻和完整的,并且其将向本领域技术人员完全传达本公开的范围。基于本文中的教导,本领域技术人员应领会,本公开的范围旨在覆盖本文中所披露的本公开的任何方面,不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如,可以使用本文所阐述的任何数目的方面来实现装置或实践方法。另外,本公开的范围旨在覆盖使用作为本文中所阐述的本公开的各种方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解,本文中所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
[0039]措辞“示例性”在本文中用于表示“用作示例、实例或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
[0040]尽管本文中描述了特定方面,但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点,但本公开的范围并非旨在被限定于特定益处、用途或目标。相反,本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议,其中一些作为示例在附图以及以下对优选方面的详细描述中解说。详细描述和附图仅仅解说本公开而非限定本公开,本公开的范围由所附权利要求及其等效技术方案来定义。
[0041]示例神经系统
[0042]图1解说根据本公开的某些方面的具有多级神经元的示例神经系统100。神经系统100可包括神经元级102,该神经元级102通过突触连接网络104连接到另一神经元级106。为简单起见,图1中仅解说了两个神经元级,但在典型的神经系统中可存在更少或更多个神经元级。
[0043]如图1中所解说的,级102中的每个神经元可接收输入信号108,输入信号108可以是由前一级(图1中未示出)的多个神经元所生成的。信号108可表示级102的神经元的输入电流。该电流可在神经元膜上累积以对膜电位进行充电。当膜电位达到其阈值时,该神经元可激发并生成输出尖峰,该输出尖峰将被传递到下一神经元级(例如,级106)。
[0044]尖峰从一个神经元级向另一个神经元级的传递可通过突触连接(或简称“突触”)网络104来达成,如图1中所解说的。突触104可以从级102的神经元(相对于突触104而言
的突触前神经元)接收输出信号(即,尖峰),并且根据可调节突触权重wf/+1),...,wf+l)
(其中,P是级102和级106的神经元之间的突触连接总数)来缩放那些信号。此外,经缩放信号可被组合以作为级106中每个神经元(相对于突触104而言的突触后神经元)的输入信号。级106中的每个神经元可基于对应的经组合输入信号来生成输出尖峰110。随后可使用另一突触连接网络(图1中未示出)将这些输出尖峰110传递给另一神经元级。
[0045]神经系统100可以通过电路来仿真并且可以在大范围的应用中利用,诸如图像和模式识别、机器学习、电机控制及类似应用等。神经系统100中的每个神经元可被实现为神经元电路。被充电至发起输出尖峰的阈值的神经元膜可被实现为例如对流经其的电流进行积分的电容器。
[0046]在一方面,电容器作为神经元电路的电流积分器件可被除去,并且可使用较小的忆阻器元件来替代它。这种办法可应用于神经元电路中,以及其中大容量电容器被用作电流积分器的各种其他应用中。另外,每个突触104可基于忆阻器元件来实现,其中突触权重改变可与忆阻器电阻的变化有关。使用纳米特征尺寸的忆阻器,可显著地减小神经元电路和突触的面积,这可使得实现超大规模神经系统硬件实现变得可行。
[0047]尖峰神经网络(诸如来自图1的神经网络100)中的学习通常可以采用基于生物学上观察到的数据的取决于尖峰定时的可塑性(STDP)规则。此类典型学习可以基于突触前神经元输入尖峰与突触后神经元尖峰之间的时间差来适配突触的权重(例如,来自图1的突触104的权重)。然而,较自然的尖峰序列(例如,在生物学或工程网络中发生)可包括多个尖峰(突触前和突触后两者)。当如在自然尖峰序列中那样有多个突触前和突触后尖峰时,根据STDP规则的学习可能是不稳定的并且不能收敛,这是因为权重调整可能由于是长期增强(LTP)还是长期抑压(LTD)取决于精确的时间可占主导地位的敏感性而被平均掉或者振荡。可能出现的另一问题是神经元的过激发或欠激发。无论是将成对STDP规则应用于尖峰对的所有组合还是应用于毗邻尖峰对的序列,这都可能是个问题。
[0048]本公开的某些方面支持基于资源概念的工程解决方案以使多尖峰学习稳定和加速。近来,已找到与典型STDP规则相反的新生物学证据。已提议某些理论和模型来解释多尖峰或尖峰速率现象。然而,这些模型较复杂,其需要维护先前尖峰时间的历史,计算多个滤波器,并且有较大数目的性能敏感参数。另外,这些模型在计算上不独立于工程设计出的尖峰神经网络的其他方面。本公开中所提议的基于资源的方法在计算上较简单、很大程度上可分开、并且性能胜过其他方法。
[0049]基于取决于尖峰定时的可塑性规则的多尖峰序列的学习
[0050]STDP学习规则可根据突触前神经元A的尖峰时间tp,e与突触后神经元B的尖峰时间tp()St之间的时间差(即,Δ t=tpost-tpre)来有效地适配将神经元A连接到神经元B的突触的突触权重。STDP的典型公式是若该时间差为正(突触前神经元在突触后神经元之前激发)则增大突触权重(即,增强该突触),以及若该时间差为负(突触后神经元在突触前神经元之前激发)则减小突触权重(即,抑压该突触)。突触权重的变化可通常使用指数衰退来达成,如由下式给出的:
【权利要求】
1.一种神经学习的方法,包括: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入;以及 基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重。
2.如权利要求1所述的方法,其特征在于,进一步包括: 与适配突触的权重相关地来修改所述资源;以及 随时间推移朝所述资源在所述修改之前的值恢复所述资源。
3.如权利要求2所述的方法,其特征在于,修改所述资源包括减少所述资源。
4.如权利要求3所述的方法,其特征在于,所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。
5.如权利要求3所述的方法,其特征在于,如果突触的权重在所述适配期间的变化的绝对值高于阈值,则所述资源被减少到O。
6.如权利要求2所述的方法,其特征在于,随时间推移恢复所述资源包括: 在一时间延迟之后将所述资源恢复到所述修改之前的值。
7.如权利要求2所述的方法,其特征在于,修改所述资源发生在对适配所述权重的交付履行之时。
8.如权利要求2所述的方法,其`特征在于: 修改所述资源发生在确定适配所述权重的一方面时;以及 适配所述权重发生在此后的时间。
9.如权利要求8所述的方法,其特征在于,适配所述权重的所述方面包括以下各项中的至少一项:所述权重的变化量、或者所述权重的变化方向。
10.如权利要求1所述的方法,其特征在于,如果所述资源低于一阈值,则突触的权重在所述适配期间的变化不被应用。
11.如权利要求1所述的方法,其特征在于,如果自从所述上一次改变以来的时间低于一阈值,则突触的权重在所述适配期间的变化不被应用。
12.如权利要求1所述的方法,其特征在于,适配突触的权重进一步包括: 在所述突触后神经元或所述突触前神经元的尖峰发放的时间更新突触的权重为生效; 在所述权重更新的时间将更新所述权重的时间存储为所述资源上一次被使用的时间; 在更新所述权重的另一时间根据所述另一时间和所述资源上一次被使用的时间来计算所述资源;以及 根据计算出的资源来获得突触的权重的变化。
13.如权利要求12所述的方法,其特征在于,如果突触的权重的所述变化的幅值低于一阈值,则所述资源上一次被使用的时间的值不被覆写。
14.如权利要求12所述的方法,其特征在于,如果所述另一时间减去所述资源上一次被使用的时间的值小于一阈值,则所述权重的变化为O。
15.一种用于神经学习的装置,包括:第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入;以及 第二电路,配置成基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重。
16.如权利要求15所述的装置,其特征在于,进一步包括: 第三电路,配置成与适配突触的权重相关地来修改所述资源;以及 第四电路,配置成随时间推移朝所述资源在所述修改之前的值恢复所述资源。
17.如权利要求16所述的装置,其特征在于,修改所述资源包括减少所述资源。
18.如权利要求17所述的装置,其特征在于,所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。
19.如权利要求17所述的装置,其特征在于,如果突触的权重在所述适配期间的变化的绝对值高于一阈值,则所述资源被减少到O。
20.如权利要求16所述的装置,其特征在于,所述第四电路还被配置成: 在一时间延迟之后将所述资源恢复到所述修改之前的值。
21.如权利要求16所述的装置,其特征在于,修改所述资源发生在对适配所述权重的交付履行之时。
22.如权利要求16所述的装置,其特征在于: 修改所述资源发生在确定适配所述权重的一方面时;以及 适配所述权重发生在此后的时间。
23.如权利要求22所述的装置,其特征在于,适配所述权重的所述方面包括以下各项中的至少一项:所述权重的变化量、或者所述权重的变化方向。
24.如权利要求15所述的装置,其特征在于,如果所述资源低于一阈值,则突触的权重在所述适配期间的变化不被应用。
25.如权利要求15所述的装置,其特征在于,如果自从所述上一次改变以来的所述时间低于一阈值,则突触的权重在所述适配期间的变化不被应用。
26.如权利要求15所述的装置,其特征在于,所述第二电路还被配置成: 在所述突触后神经元或所述突触前神经元的尖峰发放的时间更新突触的权重为生效; 在所述权重更新的时间将更新所述权重的时间存储为所述资源上一次被使用的时间; 在更新所述权重的另一时间根据所述另一时间和所述资源上一次被使用的时间来计算所述资源;以及 根据计算出的资源来获得突触的权重的变化。
27.如权利要求26所述的装置,其特征在于,如果突触的权重的所述变化的幅值低于一阈值,则所述资源上一次被使用的时间的值不被覆写。
28.如权利要求26所述的装置,其特征在于,如果所述另一时间减去所述资源上一次被使用的时间的值小于一阈值,则所述权重的变化为O。
29.一种用于神经学习的设备,包括:用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入的装置;以及 用于基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重的装置。
30.如权利要求29所述的设备,其特征在于,进一步包括: 用于与适配突触的权重相关地来修改所述资源的装置;以及 用于随时间推移朝所述资源在所述修改之前的值恢复所述资源的装置。
31.如权利要求30所述的设备,其特征在于,所述用于修改资源的装置包括用于减少所述资源的装置。
32.如权利要求31所述的设备,其特征在于,所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。
33.如权利要求31所述的设备,其特征在于,如果突触的权重在所述适配期间的变化的绝对值高于一阈值,则所述资源被减少到O。
34.如权利要求30所述的设备,其特征在于,所述用于随时间推移恢复资源的装置包括: 用于在一时间延迟之后将所述资源恢复到所述修改之前的值的装置。
35.如权利要求30所述的设备,其特征在于,修改所述资源发生在对适配所述权重的交付履行之时。
36.如权利要求30所述的设备,其特征在于: 修改所述资源发生在确定适配所述权重的一方面时;以及 适配所述权重发生在此后的时间。
37.如权利要求36所述的设备,其特征在于,适配所述权重的所述方面包括以下各项中的至少一项:所述权重的变化量、或者所述权重的变化方向。
38.如权利要求29所述的设备,其特征在于,如果所述资源低于一阈值,则所述突触的权重在所述适配期间的变化不被应用。
39.如权利要求29所述的设备,其特征在于,如果自从所述上一次改变以来的时间低于一阈值,则所述突触的权重在所述适配期间的变化不被应用。
40.如权利要求29所述的设备,其特征在于,所述用于适配突触的权重的装置包括: 用于在所述突触后神经元或所述突触前神经元的尖峰发放的时间更新所述突触的权重为生效的装置; 用于在所述权重更新的时间将更新所述权重的时间存储为所述资源上一次被使用的时间的装置; 用于在更新所述权重的另一时间根据所述另一时间和所述资源上一次被使用的时间来计算所述资源的装置;以及 用于根据计算出的资源来获得突触的权重的变化的装置。
41.如权利要求40所述的设备,其特征在于,如果突触的权重的所述变化的幅值低于一阈值,则所述资源上一次被使用的时间的值不被覆写。
42.如权利要求40所述的设备,其特征在于,如果所述另一时间减去所述资源上一次被使用的时间的值小于一阈值,则所述权重的变化为O。
43.一种用于神经学习的计算机程序产品,所述计算机程序产品包括计算机可读介质,所述计算机可读介质包括用于以下动作的代码: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入;以及 基于与所述突触相关联的资源、自从所述权重的上一次改变以来的时间、或者所述突触前神经元与所述突触后神经元的尖峰定时中的至少一者来适配突触的权重。
44.如权利要求43所述的计算机程序产品,其特征在于,所述计算机可读介质还包括用于执行以下动作的代码: 与适配突触的权重相关地来修改所述资源;以及 随时间推移朝所述资源在所述修改之前的值恢复所述资源。
45.如权利要求44所述的计算机程序产品,其特征在于,修改所述资源包括减少所述资源。
46.如权利要求45所述的计算机程序产品,其特征在于,所述资源被减少与突触的权重在所述适配期间的变化的绝对值成比例的量。
47.如权利要求45所述的计算机程序产品,其特征在于,如果突触的权重在所述适配期间的变化的绝对值高于一阈值,则所述资源被减少到O。
48.如权利要求44所述的 计算机程序产品,其特征在于,所述计算机可读介质还包括用于执行以下动作的代码: 在一时间延迟之后将所述资源恢复到所述修改之前的值。
49.如权利要求44所述的计算机程序产品,其特征在于,修改所述资源发生在对适配所述权重的交付履行之时。
50.如权利要求44所述的计算机程序产品,其特征在于, 修改所述资源发生在确定适配所述权重的一方面时;以及 适配所述权重发生在此后的时间。
51.如权利要求50所述的计算机程序产品,其特征在于,适配所述权重的所述方面包括以下各项中的至少一项:所述权重的变化量、或者所述权重的变化方向。
52.如权利要求43所述的计算机程序产品,其特征在于,如果所述资源低于一阈值,则突触的权重在所述适配期间的变化不被应用。
53.如权利要求43所述的计算机程序产品,其特征在于,如果自从所述上一次改变以来的时间低于一阈值,则突触的权重在所述适配期间的变化不被应用。
54.如权利要求43所述的计算机程序产品,其特征在于,所述计算机可读介质还包括用于执行以下动作的代码: 在所述突触后神经元或所述突触前神经元的尖峰发放的时间更新所述突触的权重为生效; 在所述权重更新的时间将更新所述权重的时间存储为所述资源上一次被使用的时间; 在更新所述权重的另一时间根据所述另一时间和所述资源上一次被使用的时间来计算所述资源;以及 根据计算出的资源来获得突触的权重的变化。
55.如权利要求54所述的计算机程序产品,其特征在于,如果突触的权重的所述变化的幅值低于一阈值,则所述资源上一次被使用的时间的值不被覆写。
56.如权利要求54所述的计算机程序产品,其特征在于,如果所述另一时间减去所述资源上一次被使用的时间的值小于一阈值,则所述权重的变化为O。
57.一种神经学习的方法,包括: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入; 基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重;以及 基于所述突触前神经元和所述突触后神经元的先前尖峰之间的一个或多个定时关系来确定所述资源考虑。
58.如权利要求57所述的方法,其特征在于,所述一个或多个定时关系包括关于所述突触前神经元和所述突触后神经元的一对先前尖峰之间的时间差的信息。
59.如权利要求57所述的方法,其特征在于,所述一个或多个定时关系包括关于一对先前尖峰与另一对先前尖峰之间的时间差的信息。
60.如权利要求57所述的方法,其特征在于,所述一个或多个定时关系包括关于自从一对先前尖峰发生以来的时间的信息。
61.一种用于神经学习的装置,包括: 第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入;` 第二电路,配置成基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重;以及 第三电路,配置成基于所述突触前神经元和所述突触后神经元的先前尖峰之间的一个或多个定时关系来确定所述资源考虑。
62.如权利要求61所述的装置,其特征在于,所述一个或多个定时关系包括关于所述突触前神经元和所述突触后神经元的一对先前尖峰之间的时间差的信息。
63.如权利要求61所述的装置,其特征在于,所述一个或多个定时关系包括关于一对先前尖峰与另一对先前尖峰之间的时间差的信息。
64.如权利要求61所述的装置,其特征在于,所述一个或多个定时关系包括关于自从一对先前尖峰发生以来的时间的信息。
65.—种用于神经学习的设备,包括: 用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入的装置; 用于基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重的装置;以及 用于基于所述突触前神经元和所述突触后神经元的先前尖峰之间的一个或多个定时关系来确定所述资源考虑的装置。
66.如权利要求65所述的设备,其特征在于,所述一个或多个定时关系包括关于所述突触前神经元和所述突触后神经元的一对先前尖峰之间的时间差的信息。
67.如权利要求65所述的设备,其特征在于,所述一个或多个定时关系包括关于一对先前尖峰与另一对先前尖峰之间的时间差的信息。
68.如权利要求65所述的设备,其特征在于,所述一个或多个定时关系包括关于自从一对先前尖峰发生以来的时间的信息。
69.一种用于神经学习的计算机程序产品,所述计算机程序产品包括计算机可读介质,所述计算机可读介质包括用于以下动作的代码: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入; 基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配所述突触的权重;以及 基于所述突触前神经元和所述突触后神经元的先前尖峰之间的一个或多个定时关系来确定所述资源考虑。
70.如权利要求69所述的计算机程序产品,其特征在于,所述一个或多个定时关系包括关于所述突触前神经元和所述突触后神经元的一对先前尖峰之间的时间差的信息。
71.如权利要求69所述的计算机程序产品,其特征在于,所述一个或多个定时关系包括关于一对先前尖峰与另一对先前尖峰之间的时间差的信息。
72.如权利要求69所述的计算机程序产品,其特征在于,所述一个或多个定时关系包括关于自从一对先前尖峰发生以来的时间的信息。
73.—种神经学习的方法,包括: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入; 基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重;以及 基于自从对所述权重的改变的先前交付履行以来的时间量来确定所述资源考虑。
74.如权利要求73所述的方法,其特征在于,权重的改变是在对所述权重的改变的交付履行之后的时间发生的。
75.一种用于神经学习的装置,包括: 第一电路,配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入; 第二电路,配置成基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重;以及 第三电路,配置成基于自从对所述权重的改变的先前交付履行以来的时间量来确定所述资源考虑。
76.如权利要求75所述的装置,其特征在于,所述权重的改变是在对所述权重的改变的交付履行之后的时间发生的。
77.—种用于神经学习的设备,包括: 用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入的装置; 用于基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配突触的权重的装置;以及 用于基于自从对所述权重的改变的先前交付履行以来的时间量来确定所述资源考虑的装置。
78.如权利要求77所述的设备,其特征在于,所述权重的改变是在对所述权重的改变的交付履行之后的时间发生的。
79.一种用于神经学习的计算机程序产品,所述计算机程序产品包括计算机可读介质,所述计算机可读介质包括用于以下动作的代码: 通过将突触前神经元与突触后神经元相连接的突触的权重来调制从所述突触前神经元至所述突触后神经元的输入; 基于与所述突触相关联的资源考虑以及所述突触前神经元和所述突触后神经元的尖峰定时来适配所述突触的权重;以及 基于自从对所述权重的改变的先前交付履行以来的时间量来确定所述资源考虑。
80.如权利要求79所述的计算机程序产品,其特征在于,所述权重的改变是在对所述权重的改变的 交付履行之后的时间发生的。
【文档编号】G06N3/08GK103890787SQ201280051748
【公开日】2014年6月25日 申请日期:2012年10月19日 优先权日:2011年10月19日
【发明者】J·F·亨泽格 申请人:高通股份有限公司