[发明专利]使用均衡传播来进行学习的模拟系统

说明书

描述了一种用于执行学习的系统。系统包括线性可编程网络层和非线性激活层。线性可编程网络层包括输入、输出和互连在输入和输出之间的线性可编程网络组件。非线性激活层与输出耦合。线性可编程网络层和非线性激活层被配置为具有处在系统的内容的最小值处的静态状态。

其它申请的交叉引用

本申请要求2019年8月14日提交的题为“METHOD AND SYSTEM FOR PERFORMINGANALOG EQUILIBRIUM PROPAGATION (用于执行模拟均衡传播的方法和系统)”的美国临时专利申请No.62/886,800的优先权，该申请被通过引用合并于此以用于所有目的。

背景技术

为了在硬件中执行机器学习，特别是监督学习，将从一组特定的输入数据实现合期望的输出。例如，输入数据被提供给第一层。在该层中，输入数据与值或权重的矩阵相乘。针对层的输出信号是该层中矩阵乘法的结果。输出信号作为输入信号提供给下一层矩阵乘法。该处理可以被针对大量的层重复。最后一层的最终输出信号被期望为与一组特定的目标值匹配。为了执行机器学习，调整一个或多个层中的权重(例如，电阻)，以便使最终输出信号更接近目标值。虽然该处理理论上可以更改层的权重以提供目标输出，但是在实践中，确定一组适当的权重是有挑战性的。存在各种数学模型以便帮助确定权重。然而，可能难以或不可能将这样的模型转换到设备中。

附图说明

在以下的详细描述和随附附图中公开了本发明的各种实施例。

图1A至图1C是描绘用于执行机器学习的模拟系统的实施例的框图。

图2A至图2B描绘用于执行机器学习的模拟系统的实施例。

图3是描绘用于执行机器学习的方法的实施例的流程图。

图4是描绘用于利用均衡传播来执行机器学习的模拟系统的实施例的框图。

图5是描绘用于利用均衡传播来执行机器学习的模拟系统的实施例的示图。

图6是描绘用于执行机器学习的模拟系统的实施例的框图。

图7是描绘用于利用均衡传播来执行机器学习的模拟系统的一部分的实施例的示图。

图8A至图8B是描绘纳米纤维的实施例的示图。

图9是描绘用于利用均衡传播来执行机器学习的系统的实施例的示图。

具体实施方式

本发明可以以多种方式实现，包括作为：方法；装置；系统；物质组合物；在计算机可读存储介质上体现的计算机程序产品；和/或处理器，诸如被配置为执行存储在耦合到处理器的存储器上的指令和/或由耦合到处理器的存储器提供的指令的处理器。在本说明书中，这些实现或本发明可以采取的任何其它形式可以被称为技术。一般而言，在本发明的范围内，所公开的处理的步骤的顺序可以被更改。除非另外说明，否则被描述为被配置为执行任务的诸如处理器或存储器的组件可以被实现为临时地配置为在给定时间执行任务的一般组件或被制造为执行任务的特定组件。如在此所使用的那样，术语“处理器”指代被配置为处理诸如计算机程序指令之类的数据的一个或多个器件、电路和/或处理核芯。

下面连同图示本发明的原理的随附各图一起提供本发明的一个或多个实施例的详细描述。与这样的实施例有关地描述本发明，但是本发明不限制于任何实施例。本发明的范围仅受权利要求限制，并且本发明涵盖许多替换、修改和等同物。在以下描述中阐述了许多具体细节，以便提供对本发明的透彻理解。这些细节是出于示例的目的而提供的，并且本发明可以在没有这些具体细节中的一些或全部的情况下根据权利要求来实施。为了清楚的目的，没有详细描述与本发明相关的技术领域中已知的技术材料，以便不会不必要地模糊本发明。