特許ウォッチ

公開番号2024167718
公報種別公開特許公報(A)
公開日2024-12-04
出願番号2023083976
出願日2023-05-22
発明の名称ニューラルネットワークシステム、学習装置、学習方法およびプログラム
出願人日本電気株式会社
代理人個人,個人
主分類G06N 3/049 20230101AFI20241127BHJP(計算;計数)
要約【課題】スパイキングニューラルネットワークが動作する際の消費電力を比較的小さくする。
【解決手段】ニューラルネットワークシステムが、積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークと、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う学習手段と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークと、
個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う学習手段と、
を備えるニューラルネットワークシステム。
続きを表示（約 1,400 文字）【請求項２】
前記学習手段は、前記ニューロンモデルの膜電位に関する時間積分の値が小さいほど良い評価を示す前記評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う、
請求項１に記載のニューラルネットワークシステム。
【請求項３】
前記学習手段は、発火したニューロンモデルについて、そのニューロンモデルの膜電位が、閾膜電位よりも小さい値である設定値以上、かつ、閾膜電位以下となっている時間における、前記膜電位と前記設定値との差の積分を、前記閾膜電位と前記設定値との差で除算した値の合計を示す部分式を含む前記評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う、
請求項２に記載のニューラルネットワークシステム。
【請求項４】
前記学習手段は、前記設定値を前記閾膜電位に近付ける極限をとった前記評価関数を用いて、前記評価関数の微分をとる学習方法にて、前記スパイキングニューラルネットワークの学習を行う、
請求項３に記載のニューラルネットワークシステム。
【請求項５】
前記学習手段は、前記ニューロンモデルの膜電位を、そのニューロンモデルに入力されたスパイクに対する重み係数と、そのニューロンモデルへスパイクを出力したニューロンモデルの発火時刻とを用いて表して得られる前記評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う、
請求項４に記載のニューラルネットワークシステム。
【請求項６】
前記学習手段は、前記膜電位が前記設定値に達した時刻から前記ニューロンモデルの発火時刻までの時間区間を固定の時間区間として扱って、前記評価関数の微分を行う、
請求項４または請求項５に記載のニューラルネットワークシステム。
【請求項７】
前記学習手段は、発火したニューロンモデルについて、そのニューロンモデルに入力されたスパイクに対する重み係数の合計値が小さいほど良い評価を示す前記評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う、
請求項１に記載のニューラルネットワークシステム。
【請求項８】
積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う学習手段、
を備える学習装置。
【請求項９】
コンピュータが、
積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う
ことを含む学習方法。
【請求項１０】
コンピュータに、
積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行わせること
を実行させるためのプログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、ニューラルネットワークシステム、学習装置、学習方法およびプログラムに関する。
続きを表示（約 1,100 文字）【背景技術】
【０００２】
ニューラルネットワークの１つに、スパイキングニューラルネットワーク（Spiking Neural Network；ＳＮＮ）がある（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【０００３】
特表２０１７－５０９９５３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
スパイキングニューラルネットワークが動作する際の消費電力がなるべく小さいことが好ましい。
【０００５】
本発明の目的の一例は、上述の課題を解決することのできるニューラルネットワークシステム、学習装置、学習方法およびプログラムを提供することである。
【課題を解決するための手段】
【０００６】
本発明の第１の態様によれば、ニューラルネットワークシステムは、積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークと、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う学習手段と、を備える。
【０００７】
本発明の第２の態様によれば、学習装置は、積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行う学習手段、を備える。
【０００８】
本発明の第３の態様によれば、学習方法は、コンピュータが、積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行うことを含む。
【０００９】
本発明の第４の態様によれば、プログラムは、コンピュータに、積分発火モデルによるニューロンモデルを用いて構成されている時間方式のスパイキングニューラルネットワークの、個々のニューロンモデルが発火する可能性が低いほど良い評価を示す評価関数を用いて、前記スパイキングニューラルネットワークの学習を行わせることを実行させるためのプログラムである。
【発明の効果】
【００１０】
本発明によれば、スパイキングニューラルネットワークが動作する際の消費電力が比較的小さいことが期待される。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許