[发明专利]类脑突触学习方法及类脑技术的神经形态硬件系统

说明书

本发明提供一种类脑突触学习方法及类脑技术的神经形态硬件系统，方法包括：确定类脑突触学习电路中突触前神经元和突触后神经元产生的脉冲对，脉冲对包括突触前神经元产生的输入脉冲和突触后神经元产生的输出脉冲；基于脉冲对，确定脉冲对相对应的STDP机制，以及与STDP机制相对应的突触权重；基于脉冲对以及突触权重，进行类脑突触学习电路对应的STDP学习；其中，STDP机制为脉冲时间依赖可塑性机制，脉冲对的前后脉冲根据时间先后关系与所述STDP机制中的长时程增强过程或长时程抑制过程相对应。本发明实现提升类脑智能的在线学习，发挥类脑计算广泛适用的环境自适应特性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种类脑突触学习方法及类脑技术的神经形态硬件系统。

背景技术

人脑强大的感知、学习和适应能力是人们在实现强人工智能过程中的重要参照对象，要想让神经形态硬件平台作为一个真正的智能系统，一定的片上学习能力不可或缺。在在线学习算法的选取上，目前尚无公认的最佳算法，一方面是由于我们对大脑的学习机制仍未得到很好的理解，另一方面也由于神经形态类脑平台的应用场景也非常广泛，各类学习算法或多或少都存在一定局限性，没有绝对适用所有任务的全能算法，因此怎样建立更好的在线学习机制因此成为目前面临的重难点。

在现有的技术中，最直接的“拿来主义者”使用ANN转SNN的方案来实现离线学习。这种方式下，芯片实际上不具备学习能力，属于直接将传统ANN的成果部署到神经形态硬件上，它所面临的局限就是学习效果完全由预先的ANN方案限制，不具备人脑的进一步学习能力，在转向SNN模型时往往实现效果还是有损的，并不符合目前在线学习的发展趋势。

一些技术致力于实现可配置的在线学习算法，如Loihi芯片配备了一个可编程学习引擎，可以实现复杂多样的学习机制，其缺点在于实现学习的代价较大，过于追求通用性导致它的学习能耗居高不下，算力也受限。

而其他的一些算法像SDSP规则和Spike Count规则中脉冲频率编码的方式并不能完全表现突触可塑性的实际作用，e-prop规则中需要较为复杂的奖惩信号的强化学习电路推高了设计难度，其设计难度较大，使得学习效率过低。

因此，由于现有的芯片或电路执行在线学习算法存在学习能耗过高、算力受限、且应用场景局限的缺陷，建立更好的在线学习机制因此成为目前面临的重难点。

发明内容

本发明提供一种类脑突触学习方法及类脑技术的神经形态硬件系统，用以解决现有的类脑技术的神经形态硬件系统或芯片或者电路执行在线学习算法存在学习能耗过高、算力受限、且应用场景局限，导致对于类脑学习的在线学习效率过低的缺陷，实现提升类脑智能的在线学习，发挥类脑计算广泛适用的环境自适应特性。

本发明提供一种类脑突触学习方法，所述方法应用于类脑技术的神经形态硬件系统，所述神经形态硬件系统包括类脑突触学习电路，所述方法包括：

确定所述类脑突触学习电路中突触前神经元和突触后神经元产生的脉冲对，所述脉冲对包括所述突触前神经元产生的输入脉冲和所述突触后神经元产生的输出脉冲；

基于所述脉冲对，确定所述脉冲对相对应的STDP机制，以及与所述STDP机制相对应的突触权重；

基于所述脉冲对以及所述突触权重，进行所述类脑突触学习电路对应的STDP学习；

其中，STDP机制为脉冲时间依赖可塑性机制，所述类脑突触学习电路包括突触、所述突触前神经元和所述突触后神经元，所述脉冲对的前后脉冲根据时间先后关系与所述STDP机制中的长时程增强过程或长时程抑制过程相对应。

根据本发明提供的一种类脑突触学习方法，基于所述脉冲对，确定与所述STDP机制相对应的突触权重，包括：

基于所述脉冲对，确定所述脉冲对最近邻的峰值；