[发明专利]用于处理由观察到的三元组语句表示的知识图的神经形态硬件和用于训练学习组件的方法

说明书

一种用于处理由观察到的三元组语句表示的知识图的神经形态硬件，其具有学习组件，学习组件由如下各项组成：输入层，包含神经元的节点嵌入群体，其中每个节点嵌入群体表示被包含在观察到的三元组语句中的实体；以及输出层，包含被配置成表示每个可能三元组语句的似然性的输出神经元，并且学习组件对从能量函数导出的基于采样的概率模型进行建模，以及所述神经形态硬件具有控制组件，控制组件被配置成将学习组件切换到如下模式：数据驱动的学习模式，其被配置成仅使用观察到的三元组语句来训练所述组件；采样模式，其中学习组件支持三元组语句的生成；以及模型驱动的学习模式，其被配置成仅使用所生成的三元组语句来训练所述组件。

背景技术

基于图（graph-based）的数据分析在工业应用中起着越来越关键的作用。显著的示例是基于图结构化数据库的知识图（knowledge graph），其能够摄取（ingest）和表示（利用语义信息）来自潜在多个来源和领域的知识。知识图是丰富的数据结构，该数据结构使得能够对抽象概念以及它们如何彼此关联进行符号化描述。知识图的使用使得有可能以如下方式来整合先前隔离的数据来源：即，使得AI和数据分析应用能够在统一的、情境化的、语义丰富的知识库上工作，从而实现更加通用的、可解释的、可互操作且准确的AI算法，该AI算法在利用来自感兴趣的（一个或多个）领域（例如，工业自动化或建筑物系统）的良好定义的实体和关系进行工作的情况下执行其任务（例如，推理（reasoning）或推断（inference））。

图14示出了描述工业系统的部分的工业知识图KG的简化示例。一般而言，知识图由表示实体的节点和表示这些实体之间的关系的边组成。例如，在工业系统中，节点可以表示如传感器这样的物理对象、如PLC这样的工业控制器、机器人、机器操作者或所有者、驱动器、所制造的对象、工具、材料清单的元素、或其他硬件组件，但也可以表示更抽象的实体，如所述物理对象的属性和配置、生产时间表（schedule）和计划、机器或机器人的技能、或传感器测量结果。例如，抽象实体可以是IP地址、数据类型、或运行在工业系统上的应用，如图14中所示。

这些实体如何彼此关联是利用节点之间的不同类型的边来建模的。以这种方式，就可以使用语义上有意义的语句、即所谓的三元组（triples）或三元组语句来对该图进行概括，这些语句采用简单且人类可读的形式‘主体–谓词–客体（subject–predicate–object）’、或者以图形格式‘节点–关系–节点’。

图15示出了对图14中所示的工业知识图KG进行概括的一组已知的三元组语句T，包括工业知识图KG中当前未包含的两个未知的三元组语句UT。在给定知识图KG的结构的情况下，关于图数据的推断涉及评估未知的三元组语句UT是否有效。