[发明专利]在尖峰神经网络中使用尖峰波进行基于上下文的搜索

说明书

使用尖峰神经网络为搜索查询提供服务的技术和机制。在实施例中，尖峰神经网络接收搜索查询的第一上下文的指示，其中尖峰神经网络的节点集合中的每个节点对应于存储库的相应条目。节点集合中的一个或多个节点各自被激发以便基于第一上下文提供相应的循环响应，其中第一循环响应是由第一节点进行的。至少部分由于被激发节点的耦合，基于搜索查询的第二上下文的扰动信号导致第一谐振响应相对于一个或多个其他谐振响应的改变。在另一个实施例中，基于该改变，选择与第一节点相对应的数据作为搜索查询的至少部分结果。

背景技术

本文描述的实施例总体上涉及尖峰神经网络，并且更具体地但非排他性地涉及用于尖峰神经网络中使用尖峰波的快速的基于上下文的搜索的技术。

尖峰神经网络(或“SNN”)越来越多地被适配以用于提供用于各种应用的下一代解决方案。SNN以各种方式依赖于信令技术，其中使用信号尖峰之间的基于时间的关系来传达信息。与典型的深度学习架构(诸如那些配备有卷积神经网络(CNN)或递归神经网络(RNN)的架构)相比，SNN提供了一种通信经济性，进而可以使功率效率提高几个数量级。

上下文知晓的搜索是对于数据库查询、软件编程/调试和其他用例而言越来越重要的功能。在传统计算中，基于长期上下文认知的搜索限于传统数据库架构。长短期记忆机器(LSTM)是一种基于递归神经网络的推理引擎，其已开始在一系列应用中使用。LSTM可以用作短期存储器，但是过去可以将LSTM配置为与简单的递归网络相比支持查找更多的时间步长。LSTM对于即时上下文较为重要的应用(诸如语言解析、音频处理、视频预测等)非常有效。此外，LSTM通常要求在输入流的当前序列中存在上下文，而不是在外部电路提供的某些隔离信号中存在上下文。然而，LSTM在整合过去某一段时间内学习到的上下文方面效率相对较低。随着数据库的规模、多样性和扩散性的不断增长，预期对有效数据库搜索功能的逐步改进寄予越来越高的附加价值。

附图说明

以示例方式且非限制方式在附图的各图中图示本发明的各实施例，在附图中：

图1示出了各自图示出根据实施例的简化神经网络的特征的图。

图2是图示出根据实施例的利用尖峰神经网络执行基于上下文的搜索的系统的特征的功能框图。

图3是图示出根据实施例的利用尖峰神经网络搜索存储库的方法的特征的流程图。

图4示出了功能框图和时序图，其以不同方式图示出根据实施例的用于执行基于上下文的搜索的系统的特征。

图5示出了多个时序图，这些时序图以不同方式图示出根据实施例的作为利用尖峰神经网络执行的基于上下文的搜索的一部分而生成的信号。

图6是图示出根据一个实施例的计算设备的功能框图。

图7是图示出根据一个实施例的示例性计算机系统的功能框图。

具体实施方式

本文所讨论的实施例以不同方式提供了用于基于尖峰神经网络的节点(或“神经元”)的循环响应的扰动来生成搜索结果的技术和机制。这样的尖峰神经网络的节点可以各自包括或以其他方式对应于储存库的相应条目，诸如数据库、列表等。为了服务于搜索查询，一个或多个这样的节点(例如，仅多个节点的子集)可以被以不同方式激发，以便各自提供相应的循环响应，例如，其中，这种激发基于搜索查询的特定上下文。节点彼此的突触耦合可有助于针对一个或多个节点的循环响应中的一些或全部的相似的频率、相位和/或相位进动。

在这样的实施例中，可以通过基于搜索查询的第二上下文的信号通知而使一个或多个节点中的一个节点的循环响应受到扰动。响应于该扰动，一个周期响应的特性可以至少相对于一个或多个节点的一个或多个其他循环响应的对应特性被提高。例如，一个或多个循环响应的相对抑制可以促进将一个或多个节点中的一个节点(和/或其对应的存储库条目)标识为搜索查询的结果的至少一部分。