[发明专利]神经网络电路的学习方法

说明书

技术领域

本发明涉及神经网络电路的学习方法。

背景技术

当前，计算机的发展是显著的，在日常生活中的多种多样的情况下得以利用。但是，现有的计算机的处理能力的发展是通过部件的细微化和算法的进化而实现的，基本的信息处理的原理没有变化。另一方面，这些计算机，由于其处理方式的特性，对于人能够容易地进行的动作非常不擅长。例如实时的面部识别、空间结构的把握等。这样的处理的能力，即使使用最新的算法和最大规模的计算机，也无法赶上人类的处理速度。

与此相对，模拟生物体的脑的信息处理方式的计算机的研究正在进行。该处理模型中最基本的是神经网络（neural network）。

神经网络是模拟生物体的神经回路网的网络。在此，已知在生物体的神经细胞中，对大致一定形状的脉冲（尖峰脉冲，spike pulse）进行交互。在此，作为实现神经网络的神经网络电路，提出了更忠实地模拟生物体的神经回路、对脉冲直接进行处理的模型（model）。例如，在专利文献1中，公开了使用脉冲密度表现信息的模型（脉冲密度模型）。该模型为使用例如一定时间中传播的脉冲的数量表现模拟信息的模型。另外，在专利文献2中，公开了使用脉冲定时（Pulse timing）表现信息的模型（脉冲定时模型）。该模型是使用脉冲与脉冲的时间间隔来表现模拟信息的模型。在对这些脉冲信号进行处理的模型中，神经元（neuron）间交互的信号是一定（固定）波形的信号，所以具有容易硬件化的优点。但是，在专利文献1这样的脉冲密度模型中需要提取出密度，所以为了表现信息需要花费一定的时间。因此，具有无法表现神经元的细微的时间标度下的动作的缺点。另一方面，如专利文献2这样的脉冲定时模型，能够利用一个一个的脉冲表现信息，所以能够进行比脉冲密度模型更高速的信息处理。例如，在非专利文献1中，公开了通过使用脉冲定时模型，能够得到比使用脉冲密度模型的情况下更高的性能的情况。

现有技术文献

专利文献

专利文献1：日本特开平7-114524号公报

专利文献2：日本特开2010-146514号公报

非专利文献

非专利文献1:W.Maass、“Networks of Spiking Neurons：The Third Generation of Neural Network Models、”Neural Networks、vol.10、no.9、pp.1659－1671、1997.

发明内容

发明要解决的技术问题

但是，在实现如专利文献2这样的脉冲定时模型的神经网络电路中，具有神经网络电路整体的电路面积变大的技术问题。

本发明的目的在于，提供一种能够以更少的数量的元件的结构实现利用脉冲定时进行的学习动作的神经网络电路的学习方法。

用于解决技术问题的技术手段

为了解决上述技术问题的一个方式的神经网络电路的学习方法，为通过连接多个神经网络电路元件（40）而构成的神经网络电路的学习方法，上述多个神经网络电路元件（40）分别具备：被输入其他的神经网络电路元件（40）的输出信号（以下称为第一输入信号）的至少1个突触电路（20）；和被输入上述至少1个突触电路（20）的输出信号的1个神经元电路（30），上述突触电路（20）具备可变电阻元件（10），该可变电阻元件（10）包括：形成于半导体膜（11）上的第一电极（13）和第二电极（14）；和在上述半导体膜（11）的主面隔着铁电体（强电介质）膜（12）形成的控制电极（15），响应上述第一电极（13）和上述控制电极（15）之间的电位差，上述第一电极（13）和上述第二电极（14）之间的电阻值发生变化，能够切换在可变电阻元件（10）的上述第一电极（13）能够输入上述第一输入信号的状态和不能输入上述第一输入信号的状态，上述神经元电路（30）具有产生双极性锯齿形脉冲电压的波形发生电路（32），上述第一输入信号具有双极性锯齿形脉冲波形，在上述第一输入信号能够输入至上述第一电极（13）的状态的期间，对上述可变电阻元件（10）的上述控制电极（15）输入在与该可变电阻元件（10）相同的神经网络电路元件（40）内生成的上述双极性锯齿形脉冲电压，根据依赖于施加至上述第一电极（13）的电压与施加至上述控制电极（15）的电压的输入时刻差而产生的上述第一电极（13）和上述控制电极（15）之间的电位差，使上述可变电阻元件（10）的电阻值发生变化。

本发明的上述目的、其他目的、特征和优点，通过参照添加的附图、根据以下的优选实施方式的详细的说明能够清楚。

发明的效果