JP6133517B2 - 座標変換のための位相コーディング - Google Patents
座標変換のための位相コーディング Download PDFInfo
- Publication number
- JP6133517B2 JP6133517B2 JP2016552922A JP2016552922A JP6133517B2 JP 6133517 B2 JP6133517 B2 JP 6133517B2 JP 2016552922 A JP2016552922 A JP 2016552922A JP 2016552922 A JP2016552922 A JP 2016552922A JP 6133517 B2 JP6133517 B2 JP 6133517B2
- Authority
- JP
- Japan
- Prior art keywords
- grid
- cell
- phase
- representation
- center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
[0001]本出願は、2104年2月20日に出願された「PHASE−CODING FOR COORDINATE TRANSFORMATION」と題する米国仮特許出願第61/942,557号の米国特許法第119(e)条に基づく利益を主張し、その開示は、参照によりその全体が本明細書に明示的に組み込まれる。
例示的なニューラルシステム、トレーニングおよび動作
[0029]図1は、本開示のいくつかの態様による、複数のレベルのニューロンをもつ例示的な人工ニューラルシステム100を示す。ニューラルシステム100は、シナプス結合のネットワーク104(すなわち、フィードフォワード結合)を介してニューロンの別のレベル106に結合されたニューロンのあるレベル102を有し得る。簡単のために、図1には2つのレベルのニューロンのみが示されているが、ニューラルシステムには、より少ないまたはより多くのレベルのニューロンが存在し得る。ニューロンのいくつかは、ラテラル結合を介して同じ層の他のニューロンに結合し得ることに留意されたい。さらに、ニューロンのいくつかは、フィードバック結合を介して前の層のニューロンに戻る形で結合し得る。
シナプスタイプ
[0041]ニューラルネットワークのハードウェアおよびソフトウェアモデルでは、シナプス関係機能の処理がシナプスタイプに基づき得る。シナプスタイプは、非塑性シナプス(non-plastic synapse)(重みおよび遅延の変化がない)、可塑性シナプス(重みが変化し得る)、構造遅延可塑性シナプス(重みおよび遅延が変化し得る)、完全可塑性シナプス(重み、遅延および結合性が変化し得る)、およびそれの変形(たとえば、遅延は変化し得るが、重みまたは結合性の変化はない)であり得る。複数のタイプの利点は、処理が再分割され得ることである。たとえば、非塑性シナプスは、可塑性機能を必要としないで実行される場合がある(またはそのような機能が完了するのを待つ)。同様に、遅延および重み可塑性は、一緒にまたは別々に、順にまたは並列に動作し得る動作に再分割され得る。異なるタイプのシナプスは、適用される異なる可塑性タイプの各々の異なるルックアップテーブルまたは式およびパラメータを有し得る。したがって、本方法は、シナプスのタイプについての関連する表、式、またはパラメータにアクセスする。
シナプス可塑性の決定
[0043]神経可塑性(または単に「可塑性」)は、脳内のニューロンおよびニューラルネットワークがそれらのシナプス結合と挙動とを新しい情報、感覚上の刺激、発展、損傷または機能不全に応答して変える能力である。可塑性は、生物学における学習および記憶にとって、また計算論的神経科学およびニューラルネットワークにとって重要である。(たとえば、Hebb則理論による)シナプス可塑性、スパイクタイミング依存可塑性(STDP)、非シナプス可塑性、活性依存可塑性、構造可塑性および恒常的可塑性など、様々な形の可塑性が研究されている。
ニューロンモデルおよび演算
[0050]有用なスパイキングニューロンモデルを設計するための一般的原理がいくつかある。良いニューロンモデルは、2つの計算レジーム、すなわち、一致検出および関数計算の点で豊かな潜在的挙動を有し得る。その上、良いニューロンモデルは、時間コーディングを可能にするための2つの要素を有する必要がある:入力の到着時間は出力時間に影響を与え、一致検出は狭い時間ウィンドウを有し得る。最終的に、計算上魅力的であるために、良いニューロンモデルは、連続時間に閉形式解と、ニアアトラクター(near attractor)と鞍点とを含む安定した挙動とを有し得る。言い換えれば、有用なニューロンモデルは、実用的なニューロンモデルであり、豊かで、現実的で、生物学的に一貫した挙動をモデル化するために使用され得、神経回路のエンジニアリングとリバースエンジニアリングの両方を行うために使用され得るニューロンモデルである。
Hunzinger Coldモデル
[0054]Hunzinger Coldニューロンモデルは、豊かな様々な神経挙動を再生し得る最小二重レジームスパイキング線形動的モデルである。モデルの1次元または2次元の線形ダイナミクスは2つのレジームを有することができ、時定数(および結合)はレジームに依存し得る。しきい値下レジームでは、時定数は、慣例により負であり、一般に生物学的に一貫した線形方式で静止状態に細胞を戻す役目を果たすリーキーチャネルダイナミクスを表す。しきい値上レジームにおける時定数は、慣例により正であり、一般にスパイク生成のレイテンシを生じさせる一方でスパイク状態に細胞を駆り立てる反リーキーチャネルダイナミクスを反映する。
座標変換のための位相コーディング
[0069]環境内のターゲットを選択するために、ロボットまたは自律デバイスなどのオブジェクトが指定され得る。オブジェクトのために指定されたターゲットの位置は、ユーザの位置に基づくビューなどの世界観に基づき得る。依然として、性能を向上させるためには、オブジェクトの位置に相対するようにターゲットの座標を変換することが望ましい。
以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。
[C1]
スパイキングニューラルネットワーク内での座標変換のための方法であって、
前記スパイキングニューラルネットワーク内で第1の位置表現を位相情報として符号化することと、
前記第1の位置表現を第2の位置表現に変更するために、前記位相情報をシフトすることと
を備える、方法。
[C2]
前記第2の位置表現が自己中心表現である、C1に記載の方法。
[C3]
前記第1の位置表現が他者中心表現である、C1に記載の方法。
[C4]
前記第2の位置表現が指定された点に集中している、C1に記載の方法。
[C5]
前記符号化することが、複数の座標を単一の位相のセットに線形化することを備える、C1に記載の方法。
[C6]
前記座標が極座標を備える、C5に記載の方法。
[C7]
前記符号化することが、第1の座標を第1の位相のセットとして符号化して、第2の座標を第2の位相のセットとして符号化することを備える、C1に記載の方法。
[C8]
前記位相シフトすることが、スパイク入力の間に、所望の位相シフトに相当する量だけニューロンを興奮させることまたは抑制することを備える、C1に記載の方法。
[C9]
前記第2の位置表現を第3の位置表現に変更するために、前記シフトされた位相情報をシフトすることをさらに備える、C1に記載の方法。
[C10]
スパイキングニューラルネットワーク内での座標変換のための装置であって、
メモリユニットと、
前記メモリユニットに結合された少なくとも1つのプロセッサと
を備え、前記少なくとも1つのプロセッサが、
前記スパイキングニューラルネットワーク内で第1の位置表現を位相情報として符号化し、
前記第1の位置表現を第2の位置表現に変更するために、前記位相情報をシフトするように構成される、装置。
[C11]
前記第2の位置表現が自己中心表現である、C10に記載の装置。
[C12]
前記第1の位置表現が他者中心表現である、C10に記載の装置。
[C13]
前記第2の位置表現が指定された点に集中している、C10に記載の装置。
[C14]
前記少なくとも1つのプロセッサが、複数の座標を単一の位相のセットに線形化することによって符号化するようにさらに構成される、C10に記載の装置。
[C15]
前記座標が極座標を備える、C14に記載の装置。
[C16]
前記少なくとも1つのプロセッサが、第1の座標を第1の位相のセットとして符号化して、第2の座標を第2の位相のセットとして符号化することによって、符号化するようにさらに構成される、C10に記載の装置。
[C17]
前記少なくとも1つのプロセッサが、スパイク入力の間に、所望の位相シフトに相当する量だけニューロンを興奮させることまたは抑制することによって位相シフトするようにさらに構成される、C10に記載の装置。
[C18]
前記少なくとも1つのプロセッサが、前記第2の位置表現を第3の位置表現に変更するために、前記シフトされた位相情報をシフトするようにさらに構成される、C10に記載の装置。
[C19]
スパイキングニューラルネットワーク内での座標変換のための装置であって、
前記スパイキングニューラルネットワーク内で第1の位置表現を位相情報として符号化するための手段と、
前記第1の位置表現を第2の位置表現に変更するために、前記位相情報をシフトするための手段と
を備える、装置。
[C20]
ワイヤレス通信のためのコンピュータプログラム製品であって、
プログラムコードを記録した非一時的コンピュータ可読媒体を備え、前記プログラムコードが、
前記スパイキングニューラルネットワーク内で第1の位置表現を位相情報として符号化するためのプログラムコードと、
前記第1の位置表現を第2の位置表現に変更するために、前記位相情報をシフトするためのプログラムコードと
を備える、コンピュータプログラム製品。
Claims (18)
- 人工ニューラルネットワーク内での座標変換のための方法であって、
前記人工ニューラルネットワーク内で第1のグリッドのセルの活動の位相情報として第1の位置表現を符号化することと、
前記第1のグリッドの中心に対してオブジェクトの位置を決定することと、前記オブジェクトの前記位置は、前記第1のグリッドの非中心セルに対応し、
前記第1のグリッドに対応する、第2のグリッドの各セルの重みを調整することと、前記重みは、前記第2のグリッド内の前記オブジェクトの位置が前記第2のグリッドの中心にあるセルに対応するように、前記第1の位置表現を第2の位置表現に変更するために、前記第2のグリッドの各セルの活動の位相情報をシフトするように調整される、
を備える、方法。 - 前記第2の位置表現が自己中心表現である、請求項1に記載の方法。
- 前記第1の位置表現が他者中心表現である、請求項1に記載の方法。
- 前記符号化することが、前記第1のグリッドの各セルに対応する複数の座標を単一の位相のセットとして線形化することを備える、請求項1に記載の方法。
- 前記複数の座標が極座標を備える、請求項4に記載の方法。
- 前記符号化することが、第1の座標を第1の位相のセットとして符号化することと、第2の座標を第2の位相のセットとして符号化することとを備える、請求項1に記載の方法。
- 前記重みを調整することが、所望の位相シフトに相当する量だけ各セルの活動を興奮させるまたは抑制する、請求項1に記載の方法。
- 前記第2の位置表現を第3の位置表現に変更するために、各セルの前記調整された重みを調整することをさらに備える、請求項1に記載の方法。
- 人工ニューラルネットワーク内での座標変換のための装置であって、
メモリユニットと、
前記メモリユニットに結合された少なくとも1つのプロセッサと
を備え、前記少なくとも1つのプロセッサが、
前記人工ニューラルネットワーク内で第1のグリッドのセルの活動の位相情報として第1の位置表現を符号化し、
前記第1のグリッドの中心に対してオブジェクトの位置を決定し、前記オブジェクトの前記位置は、前記第1のグリッドの非中心セルに対応し、
前記第1のグリッドに対応する、第2のグリッドの各セルの重みを調整する、前記重みは、前記第2のグリッド内の前記オブジェクトの位置が前記第2のグリッドの中心にあるセルに対応するように、前記第1の位置表現を第2の位置表現に変更するために、前記第2のグリッドの各セルの活動の位相情報をシフトするように調整される、
ように構成される、装置。 - 前記第2の位置表現が自己中心表現である、請求項9に記載の装置。
- 前記第1の位置表現が他者中心表現である、請求項9に記載の装置。
- 前記少なくとも1つのプロセッサが、前記第1のグリッドの各セルに対応する複数の座標を単一の位相のセットとして線形化することによって符号化するようにさらに構成される、請求項9に記載の装置。
- 前記複数の座標が極座標を備える、請求項12に記載の装置。
- 前記少なくとも1つのプロセッサが、第1の座標を第1の位相のセットとして符号化するように、および第2の座標を第2の位相のセットとして符号化するようにさらに構成される、請求項9に記載の装置。
- 前記少なくとも1つのプロセッサが、前記調整された重みに基づいて、所望の位相シフトに相当する量だけ各セルの活動を興奮させるまたは抑制するようにさらに構成される、請求項9に記載の装置。
- 前記少なくとも1つのプロセッサが、前記第2の位置表現を第3の位置表現に変更するために、各セルの前記調整された重みを調整するようにさらに構成される、請求項9に記載の装置。
- 人工ニューラルネットワーク内での座標変換のための装置であって、
前記人工ニューラルネットワーク内で第1のグリッドのセルの活動の位相情報として第1の位置表現を符号化するための手段と、
前記第1のグリッドの中心に対してオブジェクトの位置を決定するための手段と、前記オブジェクトの前記位置は、前記第1のグリッドの非中心セルに対応し、
前記第1のグリッドに対応する、第2のグリッドの各セルの重みを調整するための手段と、前記重みは、前記第2のグリッド内の前記オブジェクトの位置が前記第2のグリッドの中心にあるセルに対応するように、前記第1の位置表現を第2の位置表現に変更するために、前記第2のグリッドの各セルの活動の位相情報をシフトするように調整される、
を備える、装置。 - 人工ニューラルネットワーク内での座標変換のためのプログラムコードを記録した非一時的コンピュータ可読媒体であって、前記プログラムコードが、
前記人工ニューラルネットワーク内で第1のグリッドのセルの活動の位相情報として第1の位置表現を符号化するためのプログラムコードと、
前記第1のグリッドの中心に対してオブジェクトの位置を決定するためのプログラムコードと、前記オブジェクトの前記位置は、前記第1のグリッドの非中心セルに対応し、
前記第1のグリッドに対応する、第2のグリッドの各セルの重みを調整するためのプログラムコードと、前記重みは、前記第2のグリッド内の前記オブジェクトの位置が前記第2のグリッドの中心にあるセルに対応するように、前記第1の位置表現を第2の位置表現に変更するために、前記第2のグリッドの各セルの活動の位相情報をシフトするように調整される、
を備える、非一時的コンピュータ可読媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461942557P | 2014-02-20 | 2014-02-20 | |
US61/942,557 | 2014-02-20 | ||
US14/226,696 US9536189B2 (en) | 2014-02-20 | 2014-03-26 | Phase-coding for coordinate transformation |
US14/226,696 | 2014-03-26 | ||
PCT/US2015/015695 WO2015126731A1 (en) | 2014-02-20 | 2015-02-12 | Phase-coding for coordinate transformation |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017509973A JP2017509973A (ja) | 2017-04-06 |
JP6133517B2 true JP6133517B2 (ja) | 2017-05-24 |
Family
ID=53798399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016552922A Expired - Fee Related JP6133517B2 (ja) | 2014-02-20 | 2015-02-12 | 座標変換のための位相コーディング |
Country Status (6)
Country | Link |
---|---|
US (1) | US9536189B2 (ja) |
EP (1) | EP3108411A1 (ja) |
JP (1) | JP6133517B2 (ja) |
KR (1) | KR101825933B1 (ja) |
CN (1) | CN106030619A (ja) |
WO (1) | WO2015126731A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3756144A4 (en) * | 2018-02-23 | 2022-06-22 | INTEL Corporation | METHOD, DEVICE AND SYSTEM FOR GENERATION OF BAYESIAN INFERENCE WITH A SPIKING NEURAL NETWORK |
US11521055B2 (en) * | 2018-04-14 | 2022-12-06 | International Business Machines Corporation | Optical synapse |
KR102191346B1 (ko) | 2019-01-30 | 2020-12-15 | 서울대학교산학협력단 | 버스트 스파이크에 기반한 스파이킹 신경망 생성 방법 및 스파이킹 신경망 기반 추론 장치 |
CN113643175A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数据处理方法及电子装置 |
CN117647998B (zh) * | 2024-01-30 | 2024-06-11 | 吉林大学 | 一种基于动态视觉传感器的水下航行器接驳方法和*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06348874A (ja) * | 1993-06-03 | 1994-12-22 | Mazda Motor Corp | 神経回路網 |
GB2405002A (en) | 2003-08-15 | 2005-02-16 | Isis Innovation | Three-dimensional modelling |
US20130204814A1 (en) * | 2012-02-08 | 2013-08-08 | Qualcomm Incorporated | Methods and apparatus for spiking neural computation |
US9111225B2 (en) | 2012-02-08 | 2015-08-18 | Qualcomm Incorporated | Methods and apparatus for spiking neural computation |
US9129221B2 (en) | 2012-05-07 | 2015-09-08 | Brain Corporation | Spiking neural network feedback apparatus and methods |
-
2014
- 2014-03-26 US US14/226,696 patent/US9536189B2/en active Active
-
2015
- 2015-02-12 CN CN201580009074.4A patent/CN106030619A/zh active Pending
- 2015-02-12 WO PCT/US2015/015695 patent/WO2015126731A1/en active Application Filing
- 2015-02-12 KR KR1020167024415A patent/KR101825933B1/ko active IP Right Grant
- 2015-02-12 JP JP2016552922A patent/JP6133517B2/ja not_active Expired - Fee Related
- 2015-02-12 EP EP15710309.4A patent/EP3108411A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
JP2017509973A (ja) | 2017-04-06 |
US9536189B2 (en) | 2017-01-03 |
KR101825933B1 (ko) | 2018-02-06 |
US20150235124A1 (en) | 2015-08-20 |
EP3108411A1 (en) | 2016-12-28 |
WO2015126731A1 (en) | 2015-08-27 |
CN106030619A (zh) | 2016-10-12 |
KR20160124791A (ko) | 2016-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339447B2 (en) | Configuring sparse neuronal networks | |
JP2017516192A (ja) | ニューラルネットワークにおける差分符号化 | |
JP2017515205A (ja) | Coldニューロンスパイクタイミングバックプロバゲーション | |
JP2017509982A (ja) | 原位置ニューラルネットワークコプロセッシング | |
CN106796667B (zh) | 动态空间目标选择 | |
EP3097517A1 (en) | Monitoring neural networks with shadow networks | |
JP2017511936A (ja) | 現在の計算リソースへのニューラルネットワーク適応 | |
JP2017514215A (ja) | スパイキングニューラルネットワークを使用する画像の不変オブジェクト表現 | |
JP6133517B2 (ja) | 座標変換のための位相コーディング | |
JP2017519268A (ja) | スパイキングニューラルネットワークにおけるグローバルスカラ値によって可塑性を調節すること | |
WO2015112713A2 (en) | Value synchronization across neural processors | |
JP6193509B2 (ja) | 可塑性シナプス管理 | |
JP6219509B2 (ja) | シナプス遅延を動的に割り当てることおおよび検査すること | |
JP6096388B2 (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
JP2017509956A (ja) | 値をスパイクに変換するための方法 | |
JP2017513110A (ja) | ニューロモーフィックモデル開発のためのコンテキストリアルタイムフィードバック | |
JP2016536676A (ja) | ニューラルモデル実行をリモートで制御および監視するための方法および装置 | |
JP2017509979A (ja) | 空間ターゲット選択のためのアンバランスな交差抑制メカニズム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170206 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170206 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20170206 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170208 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170321 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170419 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6133517 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |