用于修改神经动态的自动化方法
【专利说明】用于修改神经动态的自动化方法
[0001] 相关申请的交叉引用
[0002] 本申请要求于2013年10月2日提交的题为"AUTOMATED METHOD FOR MODIFYING NEURAL DYNAMICS(用于修改神经动态的自动化方法)"的美国临时专利申请No. 61/885，950 的权益，其公开内容通过援引全部明确纳入于此。
[0003] 背景
[0004] 领域
[0005] 本公开的某些方面一般涉及神经系统工程，并且尤其涉及用于修改神经网络模型 中的神经动态的系统和方法。
【背景技术】
[0006] 可包括一群互连的人工神经元（即神经元模型）的人工神经网络是一种计算设备 或者表示将由计算设备执行的方法。人工神经网络可具有生物学神经网络中的对应的结构 和/或功能。然而，人工神经网络可为其中传统计算技术是麻烦的、不切实际的、或不胜任的 某些应用提供创新且有用的计算技术。由于人工神经网络能从观察中推断出功能，因此这 样的网络在因任务或数据的复杂度使得通过常规技术来设计该功能较为麻烦的应用中是 特别有用的。
[0007] 尖峰神经网络的研究者花费了相当多的时间来理解和设计尖峰神经元的数学模 型。这些数学模型可能是任意复杂的并且需要手动调谐来产生某种期望行为。设计者将通 常使用一组方程式以及用于那些方程式的参数来描述神经元。随后，将操纵这些参数以与 现有或原型神经元的一些特性相匹配。例如，神经元模型可被设计成相对于已知存在于生 物学中的神经元的时间来再现膜电压。研究者随后使用已知原型神经元随时间的电压作为 参考并且尝试使用他自己的模型来复制那些动态。在呈现给与原型神经元相同的输入时， 模型神经元意图在广泛的调谐之后产生对膜电压的准确逼近。
[0008] 概述
[0009] 在本公开的一个方面，公开了一种用于改进神经动态的方法。该方法包括获取原 型神经元动态。该方法进一步包括修改神经元模型的参数以使得神经元模型与原型神经元 动态相匹配。
[0010] 本公开的另一方面涉及一种设备，包括用于获取原型神经元动态的装置。该设备 进一步包括用于修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配的装 置。
[0011] 在本公开的另一方面，公开了一种具有非瞬态计算机可读介质的用于改进神经动 态的计算机程序产品。该计算机可读介质上记录有非瞬态程序代码，该程序代码在由（诸） 处理器执行时使得(诸)处理器执行获取原型神经元动态的操作。该程序代码还使得(诸)处 理器修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配。
[0012] 另一方面公开了一种具有存储器以及耦合至该存储器的至少一个处理器的用于 改进神经动态的装置。该处理器被配置成获取原型神经元动态。该处理器被进一步配置成 修改神经元模型的参数以使得神经元模型与原型神经元动态相匹配。
[0013] 公开了一种用于优化神经动态的自动化方法。该方法利用分段式线性神经元模型 并且自动地确定最佳匹配原型神经元的行为的参数。该过程获取原型神经动态。优化度量 被定义并被用来对分段式线性模型与原型神经元的膜电压之差进行量化。最优参数随后基 于优化度量来确定。
[0014] 这已较宽泛地勾勒出本公开的特征和技术优势以便下面的详细描述可以被更好 地理解。本公开的附加特征和优点将在下文描述。本领域技术人员应该领会，本公开可容易 地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还 应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本 公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图 来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说 和描述目的，且无意作为对本公开的限定的定义。
[0015] 附图简述
[0016] 在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加 明显，在附图中，相同附图标记始终作相应标识。
[0017] 图1解说了根据本公开的某些方面的示例神经元网络。
[0018] 图2解说了根据本公开的某些方面的计算网络(神经系统或神经网络）的处理单元 (神经元)的示例。
[0019] 图3解说了根据本公开的某些方面的尖峰定时依赖可塑性(STDP)曲线的示例。
[0020] 图4解说了根据本公开的某些方面的用于定义神经元模型的行为的正态相和负态 相的示例。
[0021] 图5是根据本公开的一方面的用于将神经元模型的非线性函数的部分逼近为分段 式线性函数的示例操作的流程图。
[0022] 图6解说根据本公开的一方面的支配神经动态的分段式线性函数的示图的示例。
[0023] 图7解说了根据本公开的某些方面的使用通用处理器来设计神经网络的示例实 现。
[0024] 图8解说了根据本公开的某些方面的设计其中存储器可以与个体分布式处理单元 对接的神经网络的示例实现。
[0025] 图9解说了根据本公开的某些方面的基于分布式存储器和分布式处理单元来设计 神经网络的示例实现。
[0026] 图10解说了根据本公开的某些方面的神经网络的示例实现。
[0027] 图11是解说根据本公开的一方面的解说用于修改神经动态的方法的框图。
[0028] 详细描述
[0029] 以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文 中所描述的概念的仅有的配置。本详细描述包括具体细节以便提供对各种概念的透彻理 解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在 一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。
[0030] 基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面， 不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的 任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的 本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的 此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素 来实施。
[0031] 措辞"示例性"在本文中用于表示"用作示例、实例或解说"。本文中描述为"示例 性"的任何方面不必被解释为优于或胜过其他方面。
[0032] 尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之 内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、 用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协 议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解 说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。
[0033]示例神经系统、训练及操作
[0034] 图1解说了根据本公开的某些方面的具有多级神经元的示例人工神经系统100。神 经系统100可具有神经元级102,该神经元级102通过突触连接网络104(即，前馈连接)来连 接到另一神经元级106。为简单起见，图1中仅解说了两级神经元，尽管神经系统中可存在更 少或更多级神经元。应注意，一些神经元可通过侧向连接来连接至同层中的其他神经元。此 外，一些神经元可通过反馈连接来后向连接至先前层中的神经元。
[0035] 如图1所解说的，级102中的每一个神经元可以接收可由前级的神经元(未在图1中 示出）生成的输入信号108。信号108可表示级102的神经元的输入电流。该电流可在神经元 膜上累积以对膜电位进行充电。当膜电位达到其阈值时，该神经元可激发并生成输出尖峰， 该输出尖峰将被传递到下一级神经元(例如，级106)。此类行为可在硬件和/或软件(包括模 拟和数字实现，诸如以下所述那些实现）中进行仿真或模拟。
[0036] 在生物学神经元中，在神经元激发时生成的输出尖峰被称为动作电位。该电信号 是相对迅速、瞬态的神经冲激，其具有约为IOOmV的振幅和约为Ims的历时。在具有一系列连 通的神经元(例如，尖峰从图1中的一级神经元传递至另一级神经元）的神经系统的特定实 施例中，每个动作电位都具有基本上相同的振幅和历时，并且因此该信号中的信息可仅由 尖峰的频率和数目、或尖峰的时间来表示，而不由振幅来表示。动作电位所携带的信息可由 尖峰、发放了尖峰的神经元、以及该尖峰相对于一个或数个其他尖峰的时间来确定。尖峰的 重要性可由向各神经元之间的连接所应用的权重来确定，如以下所解释的。
[0037] 尖峰从一级神经元向另一级神经元的传递可通过突触连接(或简称"突触"）网络 104来达成，如图1中所解说的。关于突触104,级102的神经元可被视为突触前神经元，而级 106的神经元可被视为突触后神经元。突触104可接收来自级102的神经元的输出信号（即， 尖峰），并根据可调节突触权重wf+1)来按比例缩放那些信号，其中P是级102的 神经元与级106的神经元之间的突触连接的总数，并且i是神经元级的指示符。例如，在图1 的示例中，i表示神经元级102并且i+Ι表示神经元级106。此外，经按比例缩放的信号可被组 合以作为级106中每个神经元的输入信号。级106中的每个神经元可基于对应的组合输入信 号来生成输出尖峰11 〇。可使用另一突触连接网络（图1中未示出）将这些输出尖峰11 〇传递 到另一级神经元。
[0038]生物学突触可被分类为电的或化学的。电突触主要用于发送兴奋性信号，而化学 突触可调停突触后神经元中的兴奋性或抑制性(超极化)动作，并且还可用于放大神经元信 号。兴奋性信号使膜电位去极化(即，相对于静息电位增大膜电位）。如果在某个时间段内接 收到足够的兴奋性信号以使膜电位去极化到高于阈值，则在突触后神经元中发生动作电 位。相反，抑制性信号一般使膜电位超极化（即，降低膜电位）。抑制性信号如果足够强则可 抵消掉兴奋性信号之和并阻止膜电位到达阈值。除了抵消掉突触兴奋以外，突触抑制还可 对自发活跃神经元施加强力的控制。自发活跃神经元是指在没有进一步输入的情况下（例 如，由于其动态或反馈而)发放尖峰的神经元。通过压制这些神经元中的动作电位的自发生 成，突触抑制可对神经元中的激发模式进行定形，这一般被称为雕刻。取决于期望的行为， 各种突触104可充当兴奋性或抑制性突触的任何组合。
[0039] 神经系统100可由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场 可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组 件、由处理器执行的软件模块、或其