Processing

Please wait...

Settings

Settings

Goto Application

1. WO2018134022 - A SYSTEM, METHOD AND ARTICLE OF MANUFACTURE FOR SYNCHRONIZATION-FREE TRANSMITTAL OF NEURON VALUES IN A HARDWARE ARTIFICIAL NEURAL NETWORKS

Publication Number WO/2018/134022
Publication Date 26.07.2018
International Application No. PCT/EP2017/083863
International Filing Date 20.12.2017
IPC
G06N 3/063 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
063using electronic means
G06N 3/04 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architecture, e.g. interconnection topology
CPC
G06N 3/04
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
G06N 3/049
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
049Temporal neural nets, e.g. delay elements, oscillating neurons, pulsed inputs
G06N 3/0635
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
063using electronic means
0635using analogue means
Applicants
  • INTERNATIONAL BUSINESS MACHINES CORPORATION [US]/[US]
  • IBM UNITED KINGDOM LIMITED [GB]/[GB] (MG)
Inventors
  • NARAYANAN, Pritish
  • BURR, Geoffrey
Agents
  • WILLIAMS, Julian
Priority Data
15/410,76920.01.2017US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) A SYSTEM, METHOD AND ARTICLE OF MANUFACTURE FOR SYNCHRONIZATION-FREE TRANSMITTAL OF NEURON VALUES IN A HARDWARE ARTIFICIAL NEURAL NETWORKS
(FR) SYSTÈME, PROCÉDÉ ET ARTICLE DE FABRICATION POUR LA TRANSMISSION SANS SYNCHRONISATION DE VALEURS DE NEURONES DANS UN RÉSEAU NEURONAL ARTIFICIEL MATÉRIEL
Abstract
(EN)
Computations in Artificial neural networks (ANNs) are accomplished using simple processing units, called neurons, with data embodied by the connections between neurons, called synapses, and by the strength of these connections, the synaptic weights. Crossbar arrays may be used to represent one layer of the ANN with Non-Volatile Memory (NVM) elements at each crosspoint, where the conductance of the NVM elements may be used to encode the synaptic weights, and a highly parallel current summation on the array achieves a weighted sum operation that is representative of the values of the output neurons. A method is outlined to transfer such neuron values from the outputs of one array to the inputs of a second array with no need for global clock synchronization, irrespective of the distances between the arrays, and to use such values at the next array, and/or to convert such values into digital bits at the next array.
(FR)
Les calculs dans des réseaux neuronaux artificiels (ANN) sont effectués à l'aide d'unités de traitement simples, appelées neurones, les données étant représentées par les connexions entre les neurones, appelées synapses, et par l'intensité de ces connexions, les poids synaptiques. Des réseaux crossbar peuvent être utilisés pour représenter une couche de l'ANN avec des éléments de mémoire non volatile (NVM) au niveau de chaque point de croisement, la conductance des éléments NVM pouvant être utilisée pour coder les poids synaptiques, et une sommation de courant hautement parallèle sur le réseau atteignant une opération de somme pondérée qui représente les valeurs des neurones de sortie. Le procédé décrit permet de transférer ces valeurs de neurone depuis les sorties d'un réseau vers les entrées d'un second réseau sans avoir besoin d'une synchronisation d'horloge globale et indépendamment des distances entre les réseaux, ainsi que d'utiliser ces valeurs dans le réseau suivant et/ou de convertir ces valeurs en bits numériques dans le réseau suivant.
Latest bibliographic data on file with the International Bureau