JP6985993B2 - 電子回路およびそれを用いたニューラルネットワークの学習方法 - Google Patents
電子回路およびそれを用いたニューラルネットワークの学習方法 Download PDFInfo
- Publication number
- JP6985993B2 JP6985993B2 JP2018132766A JP2018132766A JP6985993B2 JP 6985993 B2 JP6985993 B2 JP 6985993B2 JP 2018132766 A JP2018132766 A JP 2018132766A JP 2018132766 A JP2018132766 A JP 2018132766A JP 6985993 B2 JP6985993 B2 JP 6985993B2
- Authority
- JP
- Japan
- Prior art keywords
- electrode
- current
- electronic circuit
- neural network
- current source
- 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.)
- Active
Links
Images
Landscapes
- Semiconductor Memories (AREA)
Description
であり,安定条件を線1700で示している。曲線の向きが異なるが,これは図4〜図6のグラフと同様のものである。グラフ中の複数の丸印は回路中のQD人工ニューロンの電流値(図12であればdif1〜dif8)を示す。
002・・・電気抵抗
003・・・静電容量
004・・・電位
005,006,007・・・電極
008,009・・・電流計
010,011・・・電流源
012,013・・・電流計
101,102,103,104・・・電流源
121・・・電流ミラー構造または素子
Claims (15)
- 量子ドット,静電容量部,電気抵抗部を備え,
前記量子ドットは第1の電極,第2の電極,および第3の電極を備え,
前記第1の電極は第1の電位に接続され,
前記第2の電極は第1の電流源に接続され,
前記第3の電極は第2の電流源に接続され,
前記電気抵抗部に流れる電子あるいはホールの電流量を測定可能な,
電子回路。 - 前記第1の電位から前記量子ドットを介して前記第1の電極と前記第2の電極に電子あるいはホールを安定して流し,
前記量子ドットと前記第2の電極の間に流れる電子あるいはホールの電流量と,前記量子ドットと前記第3の電極の間に流れる電子あるいはホールの電流量とが,非線形の関係にある,
請求項1記載の電子回路。 - 前記量子ドットと前記第1の電極の間のトンネルレートは,前記量子ドットと前記第2の電極の間のトンネルレートおよび前記量子ドットと前記第3の電極の間のトンネルレートより大きい,
請求項1記載の電子回路。 - 前記第2の電極と前記第1の電流源の間の経路に並列に,前記静電容量部および前記電気抵抗部が配置される,
請求項1記載の電子回路。 - 前記第2の電極と前記第1の電流源の間の経路に並列に,前記静電容量部が配置され,前記第3の電極と前記第2の電流源の間の経路に並列に,前記電気抵抗部が配置される,
請求項1記載の電子回路。 - 第2の量子ドット,第2の静電容量部,第2の電気抵抗部をさらに備え,
前記第2の量子ドットは第3の電極,第4の電極,および第5の電極を備え,
前記第3の電極は第2の電位に接続され,
前記第4の電極は前記第3の電極に接続され,
前記第5の電極は前記第2の電流源に接続され,
前記第4の電極と前記第3の電極の間に電流ミラー素子を配置して,ネットワーク構成とした,
請求項1記載の電子回路。 - 第2の量子ドット,第2の静電容量部,第2の電気抵抗部をさらに備え,
前記第2の量子ドットは第3の電極,第4の電極,および第5の電極を備え,
前記第3の電極は第2の電位に接続され,
前記第4の電極は前記第3の電極に接続され,
前記第5の電極は前記第2の電流源に接続され,
前記量子ドット,静電容量部,電気抵抗部に流れるキャリアを電子(またはホール)とし,前記第2の量子ドット,第2の静電容量部,第2の電気抵抗部に流れるキャリアをホール(または電子)として,ネットワーク構成とした,
請求項1記載の電子回路。 - 前記第1の電流源および前記第2の電流源の少なくとも一つを時間的に変調させる,
請求項1記載の電子回路。 - 量子ドット,静電容量部,電気抵抗部を備え,
前記量子ドットは第1の電極,第2の電極,および第3の電極を備え,
前記第1の電極は第1の電位に接続され,
前記電気抵抗部に流れる電子あるいはホールの電流量を測定可能な,
電子回路,
を用いたニューラルネットワークの学習方法であって,
前記第2の電極に接続した第1の電流源に教師データの問題に対応する電流値を設定する第1のステップ,
前記第3の電極に接続した第2の電流源に教師データの解答に対応する電流値を設定する第2のステップ,
前記電気抵抗部に流れる電子あるいはホールの電流量を測定する第3のステップ,
前記電子回路に対応したニューラルネットワークを構成する第4のステップ,
前記ニューラルネットワークの結合強度として,前記電流量に対応した値を設定する第5のステップ,
を含むニューラルネットワークの学習方法。 - 前記電子回路を複数準備し,
前記第2の電極および前記第3の電極を接続することにより多段構成とし,
初段の電子回路の前記第2の電極に前記第1の電流源を接続し,
終段の電子回路の前記第3の電極に前記第2の電流源を接続し,
前記第2の電極および前記第3の電極の間には電流ミラー素子を配置し,
前記第3のステップでは,各段を構成する前記電子回路の前記電気抵抗部に流れる電流量を測定し,
前記第4のステップでは,前記ニューラルネットワークとして,多層ニューラルネットワークを構成し,
前記第5のステップでは,前記多層ニューラルネットワークの各層の結合強度として,前記各段を構成する前記電子回路の前記電気抵抗部に流れる電流量に対応した値を設定する,
請求項9記載のニューラルネットワークの学習方法。 - 前記電子回路を複数準備し,
前記第2の電極および前記第3の電極を接続することにより多段構成とし,
初段の電子回路の前記第2の電極に前記第1の電流源を接続し,
終段の電子回路の前記第3の電極に前記第2の電流源を接続し,
前記多段構成の前記電子回路のキャリアは,電子とホールを交互に用いる構成とし,
前記第3のステップでは,各段を構成する前記電子回路の前記電気抵抗部に流れる電流量を測定し,
前記第4のステップでは,前記ニューラルネットワークとして,多層ニューラルネットワークを構成し,
前記第5のステップでは,前記多層ニューラルネットワークの各層の結合強度として,前記各段を構成する前記電子回路の前記電気抵抗部に流れる電流量に対応した値を設定する,
請求項9記載のニューラルネットワークの学習方法。 - 前記電気抵抗部は,前記第2の電極と前記第1の電流源の間の経路と所定電位の間,および,前記第3の電極と前記第2の電流源の間の経路と所定電位の間の少なくとも一つに配置される,
請求項9記載のニューラルネットワークの学習方法。 - 前記電子回路に代えて,前記電子回路の動作を計算機上でシミュレーションするシミュレーターを用い,前記第1ないし第3のステップを前記シミュレーター上で行う,
請求項9記載のニューラルネットワークの学習方法。 - 前記量子ドットと前記第1の電極の間のトンネルレートは,前記量子ドットと前記第2の電極の間のトンネルレートおよび前記量子ドットと前記第3の電極の間のトンネルレートより大きい,
請求項9記載のニューラルネットワークの学習方法。 - 前記教師データとして,複数の問題と解答の組を用いる際に,
前記第1の電流源に設定する電流値を変調させ,前記変調を複数回繰り返し,所定の時間の後に,前記第3のステップを行なう,
請求項9記載のニューラルネットワークの学習方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018132766A JP6985993B2 (ja) | 2018-07-13 | 2018-07-13 | 電子回路およびそれを用いたニューラルネットワークの学習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018132766A JP6985993B2 (ja) | 2018-07-13 | 2018-07-13 | 電子回路およびそれを用いたニューラルネットワークの学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020013172A JP2020013172A (ja) | 2020-01-23 |
JP6985993B2 true JP6985993B2 (ja) | 2021-12-22 |
Family
ID=69170609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018132766A Active JP6985993B2 (ja) | 2018-07-13 | 2018-07-13 | 電子回路およびそれを用いたニューラルネットワークの学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6985993B2 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4873335B2 (ja) * | 2000-04-28 | 2012-02-08 | 独立行政法人科学技術振興機構 | 情報処理構造体 |
JP2009002939A (ja) * | 2007-05-18 | 2009-01-08 | Mitsubishi Kagaku Iatron Inc | アンペロメトリック型バイオセンサ |
-
2018
- 2018-07-13 JP JP2018132766A patent/JP6985993B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020013172A (ja) | 2020-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bose et al. | Evolution of a designless nanoparticle network into reconfigurable Boolean logic | |
CN109800883A (zh) | 量子机器学习框架构建方法、装置及量子计算机 | |
Appeltant | Reservoir computing based on delay-dynamical systems | |
Peng et al. | Real-time TDDFT studies of exciton decay and transfer in silver nanowire arrays | |
Erokhin et al. | Bio-inspired adaptive networks based on organic memristors | |
Jensen et al. | Reservoir computing with a chaotic circuit | |
Anijdan et al. | A new method in prediction of TCP phases formation in superalloys | |
Banasiak et al. | Asymptotic state lumping in transport and diffusion problems on networks with applications to population problems | |
Wang et al. | A modified error function for the backpropagation algorithm | |
Broersma et al. | Computational matter: Evolving computational functions in nanoscale materials | |
JP6985993B2 (ja) | 電子回路およびそれを用いたニューラルネットワークの学習方法 | |
Djeffal et al. | Design and simulation of a nanoelectronic DG MOSFET current source using artificial neural networks | |
Berco et al. | An optoneuronic device with realistic retinal expressions for bioinspired machine vision | |
Koch et al. | Adversarial Hamiltonian learning of quantum dots in a minimal Kitaev chain | |
US20030154175A1 (en) | Back-propagation neural network with enhanced neuron characteristics | |
Sheikhpour et al. | A hybrid Gravitational search algorithm—Genetic algorithm for neural network training | |
Afifi et al. | CMOL implementation of spiking neurons and spike‐timing dependent plasticity | |
Türel et al. | Architectures for nanoelectronic implementation of artificial neural networks: new results | |
JP2021082130A (ja) | 電子回路、ニューラルネットワーク及びニューラルネットワークの学習方法 | |
Tağluk | A new dynamic electronic model of neuron’s membrane | |
US9916530B2 (en) | Neuromorphic circuit model simulation that facilitates information routing and processing | |
van Damme et al. | A simulation tool for evolving functionalities in disordered nanoparticle networks | |
Greff et al. | Unconventional computing using evolution-in-nanomaterio: neural networks meet nanoparticle networks | |
Beretta | Study of Field-Coupled Nanocomputing based on molecules for neural systems | |
JP2021197032A (ja) | 制御装置、方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201109 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211028 |
|
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: 20211102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211126 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6985993 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |