[发明专利]乘数累加器

说明书

一种乘数累加器10，其中，使用模拟电路11：具有与构成N⁺对的正载荷和电信号的值对应的尺寸的电荷被保持在第一存储装置19中；具有与构成(N‑N⁺)对的负载荷的绝对值和电信号的值对应的尺寸的电荷被保持在第二存储装置27中；当检测出保持在第一存储装置19中的电压达到第一阈值时，计算通过乘以与N⁺个电信号中的每一个的值对应的每一个正载荷而导出的N⁺个乘积值的总和；当检测出保持在第二存储装置27中的电压达到第二阈值时，计算通过乘以与(N‑N⁺)个电信号中的每一个的值对应的每一个负载荷的绝对值而导出的(N‑N⁺)个乘积值的总和；并且从N⁺个乘积值的总和减去(N‑N⁺)个乘积值的总和以获得N个乘积值的总和。

技术领域

本技术涉及执行乘积累加运算的乘积累加运算设备。

背景技术

乘积累加运算是其中每一个载荷(权重)被分别添加到多个输入值中的每一个并且将多个输入值中的每一个彼此相加的运算，并且例如，利用乘积累加运算以便通过神经网络识别图像和语音。在乘积累加运算处理中可以使用作为多层感知机类型的神经网络模型。该处理可以通过通用数字计算机或者数字专用集成电路执行，并且在非专利文献1中描述了利用数字专用集成电路的具体实例。非专利文献1中的实例是其中尖峰神经元模型作为神经网络的一种方法的实例。在非专利文献2中描述了尖峰神经元模型的乘积累加运算。

在此，从减小乘积累加运算处理的电能消耗的角度来说，可以设想模拟集成电路比数字集成电路更优越。为了实现与有机体(最终，人类)的大脑相似的集成度和相似的电能消耗，研究了模拟集成电路的采用，并且其内容在非专利文献3中描述。

现有技术文献

非专利文献

非专利文献1：P.A.Merolla等的“A million spiking-neuron integratedcircuit with a scalable communication network and interface”，Science,Vol.345,No.6179,pp.668-673,2014

非专利文献2：W.Maass的“Fast sigmoidal networks via spiking neurons”，Neural Computation,vol.9,pp.279-304,1997

非专利文献3：T.Tohara等的“Silicon nanodisk array with a fin field-effect transistor for time-domain weighted sum calculation toward massivelyparallel spiking neural networks”，Appl.Phys.Express,Vol.9,pp.034201-1-4,2016

发明内容

本发明要解决的问题

然而，在非专利文献2和3中未阐明其中正载荷和负载荷彼此同时存在的乘积累加运算，并且存在在正载荷和负载荷存在的情况下模拟集成电路的安装方式不清楚的问题。

鉴于上述情况，本发明的目的是提供能够执行其中正载荷和负载荷通过模拟方法彼此同时存在的乘积累加运算的处理的乘积累加运算设备。

问题的解决方案