[发明专利]积和运算器、神经形态器件及积和运算器的使用方法

说明书

本发明提供在应用于神经网络的情况下，能够抑制大幅损坏神经网络的性能的可能性的积和运算器、神经形态器件及积和运算器的使用方法。积和运算器(1)具备积运算部(10)、和运算部(11)，积运算部(10)具备多个积运算元件(10AA)～(10AC)，多个积运算元件(10AA)～(10AC)各自为电阻变化元件。和运算部(11)具备检测来自多个积运算元件(10AA)～(10AC)的输出的合计值的输出检测器(11A)，上述电阻变化元件具备熔断部(AC1)，熔断部(AC1)在来自上述电阻变化元件的输出电流增加的故障产生于该电阻变化元件的情况下断线。

技术领域

本发明涉及积和运算器、神经形态器件及积和运算器的使用方法。本申请基于2017年12月28日申请于日本的专利申请2017-254701号主张优先权，并将其内容在此引用。

背景技术

目前，已知有RRAM(注册商标)基础模拟神经形态系统中的用于灰度图像识别的最佳化的学习计划(scheme)(例如参照非专利文献1)。该文献中记载有模拟神经形态系统以组装的电阻式开关存储阵列为基础进行开发的内容。该文献中，新的训练计划为了通过利用段化的突触的举动将模拟系统的性能最佳化而提出。另外，该文献中，该计划相对于灰度图像识别适用。

另外，进行着使用电阻变化元件的阵列来实现模仿神经系统的神经网络的研究。神经形态器件(NMD)中，从前一阶段向下一阶段施加权重并进行累加的积和运算。因此，组合多个电阻连续地变化的电阻变化元件，以各自的电阻值为权重进行相对于输入信号的积运算，并取得从其输出的电流的总和，由此，进行和运算的各种各样的类型的积和运算器、及利用了该积和运算器的NMD的开发不断进展。

现有技术文献

专利文献

专利文献1：国际公开第2017/183573号

非专利文献

非专利文献1：ZheChen等著，“RRAM基础模拟神经形态系统中的用于灰度图像识别的最佳化的学习计划(OptimizedLearning Scheme for Grayscale Image Recognitionin a RRAM Based Analog Neuromorphic System)”，2015年，IEEE，p.17.7.1-p.17.7.4

发明内容

发明所要解决的课题

但是，非专利文献1中，未研究探测可能大幅损坏神经网络的性能的故障的方法。如果电阻变化元件故障，且电阻变小，则积和运算时故障的电阻变化元件的权重可能大幅影响网络。因此，神经网络中避免短路引起的电阻变化元件的故障是非常重要的。

鉴于上述的问题点，本发明的目的在于，提供在应用于神经网络的情况下，能够抑制产生元件故障时大幅损坏神经网络的性能的可能性的积和运算器、神经形态器件及积和运算器的使用方法。

用于解决课题的方案

本发明的一个方式提供一种积和运算器，其具备积运算部、和运算部，所述积运算部具备多个积运算元件，所述多个积运算元件各自为电阻变化元件，所述和运算部具备检测来自所述多个积运算元件的输出的合计值的输出检测器，所述电阻变化元件具备熔断部，所述熔断部在来自所述电阻变化元件的输出电流增加的故障产生于所述电阻变化元件的情况下断线。

本发明的一个方式的积和运算器中，也可以是，所述熔断部断线之后的来自所述电阻变化元件的所述输出电流比所述电阻变化元件的正常工作时的来自所述电阻变化元件的所述输出电流减少。

本发明的一个方式的积和运算器中，也可以是，所述电阻变化元件具有写入端子、共用端子、读出端子。

本发明的一个方式的积和运算器中，也可以是，所述熔断部具备于所述读出端子。