[发明专利]神经网络计算核信息处理方法和系统

说明书

本发明涉及一种神经网络计算核信息处理方法和系统，所述方法包括：确定前端计算核复用组，所述前端计算核复用组包括至少两个前端计算核；根据所述前端计算核复用组，配置当前计算核的复用规则，所述复用规则为将运算步划分为至少两个运算周期，且所述运算周期的数量大于或等于所述前端计算核的数量，将所述前端计算核复用组中的各前端计算核元分别与所述运算周期一一对应；根据所述复用规则，在当前运算步，分别接收各所述前端计算核输出的神经元信息。本发明使当前计算核在当前运算步的时长内，能够接收更多的前端计算核发送的信息，提高了计算核信息接收的能力，从而提高整个神经网络的信息处理能力。

技术领域

本发明涉及神经网络技术领域，特别是涉及神经网络计算核信息处理方法和系统。

背景技术

神经形态工程由Carver Mead在1990年提出，意在用大规模集成电路来模拟生物神经系统架构，构建神经形态计算系统。早期的神经形态计算系统一般通过模拟电路实现，但近些年来数字电路和数模混合电路也越来越多的被神经形态工程所使用。目前，神经形态工程与神经形态电路是国际上新兴的研究热点之一。传统的神经形态计算平台,旨在通过模拟电路仿真大脑神经元模型和离子通道活动，使用数字电路与片上存储构建连接和路由，从而能十分方便更改神经元连接图谱。。

传统的神经网络中，采用计算核的方式完成大规模的信息处理任务，其中，计算核内神经元的轴突最多通过突触连接到256个神经元。在承载神经网络运算时，这限制了神经网络每一层的输出都不能大于256，即下一层的神经元数不能超过256，且，一个计算核所能够处理的前端计算核的数量也是有限的，即在传统的神经网络中，计算核之间的连接限制，极大的限制了神经网络的信息处理能力。

发明内容

本发明实施例提供一种神经网络计算核信息处理方法和系统，可以扩展神经网络的信息处理能力。其中，所述方法包括：

确定前端计算核复用组，所述前端计算核复用组包括至少两个前端计算核；

根据所述前端计算核复用组，配置当前计算核的复用规则，所述复用规则为将运算步划分为至少两个运算周期，且所述运算周期的数量大于或等于所述前端计算核的数量，将所述前端计算核复用组中的各前端计算核元分别与所述运算周期一一对应；

根据所述复用规则，在当前运算步，分别接收各所述前端计算核输出的神经元信息。

在其中一个实施例中，所述将运算步划分为至少两个运算周期，包括：

将运算步等间隔划分为至少两个运算周期。

在其中一个实施例中，所述配置当前计算核内各神经元的复用规则，包括：

分别配置当前计算核内各神经元的树突和胞体的复用规则。

在其中一个实施例中，所述前端计算核输出的神经元信息，包括：

前端计算核持续输出的人工神经元信息。

在其中一个实施例中，在确定前端计算核复用组的步骤之前，所述方法还包括：

确定当前计算核的信息处理模式为复用模式，所述信息处理模式还包括非复用模式。

在其中一个实施例中，通过设置前端计算核复用组，使得当前计算核按照设定好的复用规则，在当前运算步的各运算周期，分别接收不同的前端计算核发送的神经元信息，以使当前计算核在当前运算步的时长内，能够接收更多的前端计算核发送的信息，提高了计算核信息接收的能力，从而提高整个神经网络的信息处理能力。

在其中一个实施例中，通过将运算步等间隔划分为运算周期的方法，使得当前计算核可以按照设定好的时间间隔接收不同的前端计算核发送的神经元信息，而不用再去对运算周期进行时长的计量，实现方式更加简单可靠，提高了神经网络的信息处理效率。