DE3922129A1 - Neurocomputer - Google Patents
NeurocomputerInfo
- Publication number
- DE3922129A1 DE3922129A1 DE3922129A DE3922129A DE3922129A1 DE 3922129 A1 DE3922129 A1 DE 3922129A1 DE 3922129 A DE3922129 A DE 3922129A DE 3922129 A DE3922129 A DE 3922129A DE 3922129 A1 DE3922129 A1 DE 3922129A1
- Authority
- DE
- Germany
- Prior art keywords
- light
- correlation matrix
- vector
- field
- neurocomputer
- 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.)
- Granted
Links
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/88—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters
Description
Die Erfindung betrifft Neurocomputer, die das biologische
neurale Netzwerk für eine assoziative Funktion und/oder
zur Mustererkennung imitieren.
Ein üblicher optischer Neurocomputer, wie er in der
Zeitschriftenstelle Applied Optics, 1985, Vol. 24, Nr. 10,
S. 1469, beschrieben ist, ist in Fig. 8 gezeigt.
Dieser optische Neurocomputer weist ein Feld von Licht
emittierenden Elementen 1, eine Korrelationsmatrixmaske 2
zur Durchführung einer optischen Modulation, ein Feld
von Licht empfangenen Elementen 3 zum Aufnehmen von op
tischen Signalen und ein Schwellenwertelement 5 zum Vergleichen
des Ausgangs des Licht aufnehmenden Feldes 3
mit dem Schwellenwert auf.
Ein üblicher Bild verarbeitender optischer Neurocomputer,
wie er in OPTICS LETTERS, 1988, Vol. 13, Nr. 3, S. 248-250
beschrieben ist, wird in Fig. 9 gezeigt. Dieser
bildverarbeitende optische Neurocomputer weist einen
räumlichen Lichtmodulator 101 auf, auf den gleichförmig
auffallende Lichtstrahlen 107 aufgebracht werden, ein
Hologramm 102 mit einer Korrelationsmatrix, ein Licht
empfangenes Feld 108 und einen Komparator 5 auf.
Der Betrieb der obengenannten Neurocomputer basieren auf
dem neuronalen Netzwerkmodell, das von Hopfield beispielsweise
in PROCEEDINGS OF NATIONAL ACADEMY OF
SCIENCE, U. S. A. 1982, Vol. 79, S. 2554-2558 vorgeschlagen
worden ist. Nach diesem Modell ist es möglich, einen assoziativen
Speicher zur Auswahl von Information herzustellen,
der einem Eingangsvektor Si (mo) von M Stücken
einer N-dimensionalen Vektorinformation Si (m) am nächsten
kommt, wobei i= 1, 2, . . . N; m = 1, 2, . . . M; und
Si (m)
die vorangehend gespeichert
worden sind.
Die gespeicherte Information wird von der Korrelationsmatrix
2 von Fig. 8 oder dem Hologramm 102 von Fig. 9
gegeben. Die Korrelationsmatrix Tÿ wird gegeben durch
Zur Vereinfachung wird angenommen, daß nur eine geringe
Information zwischen den gespeicherten Informationsvektoren
vorliegen. Die gespeicherten Informationsvektoren
sind, mit anderen Worten, orthogonal zueinander. Das bedeutet,
daß
Wenn Si (m0) ein unvollständiger Eingangsvektor nahe zu
Si (m) ist, wird das Produkt von Si (m0) und die Korrelationsmatrix
gegeben durch
wobei O(x) das Inkrement x-ter Ordnung ist. Es ist daher
möglich, den gespeicherten Informationsvektor auszugeben,
der dem Eingangsvektor am nächsten ist, durch Unterwerfen
des Ausgangs TÿSi (m0) auf eine weitgehend
nicht-lineare Operation und Rückführen des Ergebnisses
zurück auf den Eingang.
In Fig. 8 werden die neuronalen Zustände durch ON/OFF
der lichtemittierenden Elemente 1 dargestellt durch Verwendung
der Schwellenwertelemente 5 als nicht-linearer Operator
und einen unipolaren Vektor als
Vi = (Si + 1)/2 . (4)
Das Produkt der Korrelationsmatrix und des neuronalen
Zustandsvektors
Ui = Tÿ Vi (5)
wird dargestellt durch den Ausgang des lichtaufnehmenden
Feldes 3. Das Produkt Ui wird einem Schwellenwertprozeß
Vi = (Ui - Uth) (6)
unterworfen, wobei (x) = 1 für x < 0 und = 0 für x 0
ist. Das Ergebnis Vi wird auf den Eingang rückgeführt.
Die Beziehung zwischen der Anzahl der Stücke der gespeicherten
Information M und der Anzahl der Neuronen (N)
wird ausgedrückt durch
M = N /(4 log N) (7)
In Fig. 9 wird zur Behandlung einer 2dimensionalen Information,
etwa einer Bildinformation, die Vektorkomponente
eines Neurons (Si) in einen unipolaren Vektor (Vi)
Vi = (Si + 1)/2 . (4)
umgewandelt, wie dies oben beschrieben worden ist.
Um den unipolaren Vektor (Vi) in einer Matrix (Xkl) von
L-Reihen und L-Spalten zu konvertieren, wird eine Transformation
(τ ) durchgeführt
wobei N = L². Die Zustände der in der Form einer Matrix
(Xkl) angeordneten Neuronen wird durch ON/OFF eines
räumlichen Lichtmodulators 101 repräsentiert, um das
gleichförmig auffallende Licht 107 zu modulieren.
Die Korrelationsmatrix (Tÿ) führt die Transformation
(τ ) für jede Komponente (j) jeder Spalte durch, um N
Submatrizen von L-Reihen und L-Spalten (Y pq (kl)) durchzuführen,
nämlich
Die Summe der Vektorprodukte von Gleichung 3 wird zu
In Fig. 5 wird die Korrelationsmatrix (Y (kl)) in dem Hologramm
102 gespeichert. Das auffallende Licht 107 von
einem Abschnitt (Xkl) des räumlichen Lichtmodulators 101
trifft die entsprechende Submatrix Y (kl) des Hologramms
102. Das auffallende Licht wird in verschiedene Richtungen
für jede Komponente Y (kl) der Submatrix Y (kl) gebeugt.
Das Aufnahmefeld wird an einem Fokus der gebeugten
Lichtstrahlen der ganzen Matrix zur Ausgabe eines Signals
(Xpq) angeordnet. Dieses Signal (Xpq) wird einem
Schwellenwertvorgang in dem Komparator 5 als ein nicht-
linearer Komparator unterzogen, das Ergebnis wird auf
den räumlichen Lichtmodulator als Eingangssignal Xkl
rückgeführt. Dabei gilt
xpq = (xpq - Xth) (6′) ,
wobei (x) = 1 für x < 0 und = 0 für x 0 ist.
Ein üblicher optischer assoziativer Neurocomputer, wie
er in ELECTRONIC INFORMATION COMMUNICATIONS SOCIETY OF
JAPAN, OPTICAL QUANTUM ELECTRONICS STUDY GROUP PAPERS
OQE 97-174, 1986 beschrieben ist, wird in Fig. 10 gezeigt.
Dieser optische assoziative Neurocomputer weist
einen Eingangsanschluß 108 auf, in den unvollständige
Information eingegeben wird, ein Paar von Licht emittierenden
Diodenfehlern 1 a und 1 b, ein Paar von optischen
Masken 2 a und 2 b, ein Paar Licht aufnehmenden Feldern 3 a
und 3 b, ein Differenzverstärkerfeld 4, ein Komparatorfeld
5 und einen Ausgangsanschluß 109, aus dem die vollständige
Information ausgegeben wird, auf.
Bei Betrieb werfen die LED-Felder 1 a und 1 b fächerförmige
Lichtstrahlen auf die optischen Masken 2 a und 2 b. Jedes
Lichtfeld 1 a, 1 b wird wiederum ein- oder ausgeschaltet,
um eine logische "1" oder eine logische "0" zu repräsentieren,
wodurch eine Art von Vektoren V = (V₁, V₂, . . . V n)
dargestellt wird. Jede optische Maske 2 a, 2 b,
die in (n ×n) Elemente aufgeteilt ist, die jeweils unterschiedliche
optische Durchgänglichkeiten haben, repräsentieren
eine Art der Matrix T = [Tÿ]. Die Aufnahmefelder
3 a, 3 b repräsentieren eine Art von Vektoren U = (U₁,
U₂, . . . U n). Durch Überstrahlen der j-ten Reihe der
optischen Maske mit dem j-ten LED und Empfangen des
Lichts von der i-ten Spalte der optischen Maske mit dem
i-ten Aufnahmeelement, ist es möglich, die folgende Vektormatrixoperation
durchzuführen:
In dem Neurocomputer wird die Information in den Verbindungen
zwischen den Neuronen gespeichert. In dem optischen
assoziativen Neurocomputer wird die Information in
der Transmittanz (T) einer optischen Maske gespeichert.
Die Regel dieser gespeicherten Information wird basierend
auf den folgenden Hopfields Modell gegeben durch
Da es unmöglich ist, in der Optik negative Werte von Tÿ
zu speichern, werden ein Paar von optischen Systemen
(Ui (+), Ui (-)) gebildet entsprechend positiven Werten
Tÿ (+) und negativen Werten Tÿ (-). Die Differenz zwischen
den beiden Systemen von dem Differenzverstärker 4
gewonnenen Werten ist gegeben durch
Ui = Ui (+) - Ui (-). (10)
Das Ausgangssignal wird einem Schwellenwertvorgang in
dem Komparator 5 wie folgt unterzogen:
Vi = R (Ui) (6)
wobei R (x) = 1, bei x < 0 und R = 0 bei x 0. Das Ergebnis
wird auf die LED-Felder 1 a, 1 b rückgeführt.
Durch Speichern von drei Stücken der Information, beispielsweise
entsprechend den Buchstaben A, J und E in
die optischen Masken 2 a, 2 b wird, falls beispielsweise
eine unvollständige Information A′ in die LEDs 1 a, 1 b
eingegeben wird, der Ausgang nach einer wiederholten
Rückführung die vollständige Information A sein, die der
Eingangsinformation A′ am nächsten kommt. Die Energie
des Systems nimmt, mit anderen Worten, den geringsten
Wert bei der gespeicherten Information A, J und E an,
wenn eine unvollständige Information gegeben ist, die
ON/OFF-Zustände eines LED-Feldes ändern sich, was wiederum
das Gesamtfeld ändert, so daß die Energie um die
unvollständige Information den tiefsten Wert annimmt.
Um die Anzahl der Stücke der Information (M), die in dem
üblichen Neurocomputer gespeichert sind, zu erhöhen, ist
es erforderlich, die Anzahl von Neuronen (N) entsprechend
Gleichung (7) zu erhöhen. Entsprechend wird die
Größe des LED-Feldes, des Aufnahmefeldes und/oder Korrelationsmatrix
so groß, daß das Gesamtsystem groß wird.
Weiter macht die erhöhte Anzahl von Neuronen die Ausrichtung
der Optik schwierig. Da eine große Anzahl von
Lichtstrahlen durch das Hologramm in dem Ausführungsbeispiel
von Fig. 9 gebeugt werden, ist es schwierig, ein
solches Hologramm herzustellen. In dem Ausführungsbeispiel
von Fig. 10 sind zwei optische Systeme für positive
und negative Werte der Tÿ-Matrix erforderlich, wodurch
das System komplex wird.
Es ist daher Aufgabe der Erfindung, einen Neurocomputer
zu schaffen, der eine erhöhte Anzahl von Neuronen hat,
ohne die Größe des Systems zu erhöhen, um so die Anzahl
der Stücke der gespeicherten Information (M) zu erhöhen,
und das einfach herzustellen ist und bei dem die Optik
einfach ausgerichtet werden kann.
Weiter soll ein optischer Neurocomputer mit einem einzigen
optischen System geschaffen werden, der sowohl positive
als auch negative Werte verarbeiten kann.
Erfindungsgemäß wird diese Aufgabe gelöst durch einen
Neurocomputer zum Auswählen einer einem Eingangsvektor
am nächsten kommenden Vektorinformation aus gespeicherten
Vektorinformationen durch Durchführen einer Produktoperation
eines neuronalen Statusvektors und einer Korrelationsmatrix,
die die Vektorinformation gibt, gekennzeichnet
durch eine Steuereinheit, die die Korrelationsmatrix
in eine Mehrzahl von Submatrizen aufteilt und
diese in zeitlicher Abfolge während der Ausgabe einer
Mehrzahl von Partialvektoren des Statusvektors in zeitlicher
Abfolge ausgibt, um eine Operation an jeder der
Submatrizen und jedem der Partialvektoren durchzuführen,
wodurch eine Produktoperation der Korrelationsmatrix
und des neuronalen Statusvektors als Ganzes durchgeführt
wird.
Nach einem anderen Aspekt der Erfindung wird ein Neurocomputer
zum Auswählen einer einem eingegebenen
Vektor am ähnlichsten Vektorinformation aus gespeicherten
Vektorinformationen durch Durchführen einer
Produktoperation eines neuronalen Statusvektors einer
Korrelationsmatrix, die die Vektorinformation angibt,
gekennzeichnet durch eine Steuereinheit, die eine Mehrzahl
von Submatrizen der Korrelationsmatrix und Partialvektoren
des Statusvektors mit unterschiedlichen Frequenzen
zum Frequenzmultiplexen moduliert, und Durchführen
ren einer Produktoperation an dem Statusvektor und der
Korrelationsmatrix unter Multiplexbedingungen, gefolgt
durch eine Frequenztrennung, um so ein Produkt des Statusvektors
und der Korrelationsmatrix als Ganzes zu
schaffen, vorgeschlagen.
Weiter wird erfindungsgemäß ein Neurocomputer vorgeschlagen,
der gekennzeichnet ist durch ein Feld von
lichtaussendenden Elementen zum Erzeugen eines einen
Eingangsvektor angebenden optischen Signals, einen Modulator
zum Modulieren des Feldes von lichtaussendenden Elementen
mit einer Winkelfrequenz von ω h. wobei h = 1, 2,
. . . , S ist, wobei S der Anzahl der Teilungen entspricht,
eine Korrelationsmatrixmaske zum Modulieren des optischen
Signals von dem Feld von lichtaussendenden Elementen
mit Winkelfrequenzen O k und O′ l , wobei k und l = 1, 2,
. . . , S für jede Komponente der Submatrix ist, einen
Steuerschaltkreis zum Steuern einer Modulationsoperation
der Korrelationsmatrixmaske, ein Feld von lichtaufnehmenden
Elementen zum Empfangen des optischen Signals von
der Korrelationsmatrixmaske, einen Frequenzmodulationsdemodulator
zum Demodulieren jedes der Ausgangssignale
des Feldes von lichtaufnehmenden Elementen bezüglich bestimmter
Frequenzen mit einer mittleren Winkelfrequenz
von ω h , O k, O l , einen Addierer zum Addieren der jeweiligen
Ausgangssignale des Frequenzmodulationsdemodulators
(12) der Mittenwinkelfrequenz von O′ L, und einen
Komparator zum Vergleichen des Ausgangssignals des Addierers
mit einem Schwellenwert und Rückführen des Ausgangssignals
zurück zu dem Feld lichtaussendender Elemente.
Nach einem weiteren Aspekt der vorliegenden Erfindung
wird ein Neurocomputer zur Durchführung einer Produktoperation
und einer Summenoperation an einem neuronalen
Statusvektor und einer Korrelationsmatrix vorgeschlagen,
der durch einen Statusvektortransmitter, bestehend aus
einer Matrix von Elementen, die ein dem neuronalen Statusvektor
entsprechendes Signal erzeugen, eine Korrelationsmatrixeinheit
zum Aufteilen der Korrelationsmatrix
in eine Mehrzahl von Submatrizen und zu deren Ausgabe
in zeitlicher Abfolge unter Modulieren eines Signals des
Statusvektortransmitters in einen Submatrixzustand zur
Schaffung einer Gruppe von Produktsignalen des neuronalen
Statusvektors und der Submatrix, und ein Aufnahmeelement
zur Aufnahme der Gruppen von Produktsignalen zur
Schaffung einer Summe von diesen, wodurch die Produktoperation
und die Summenoperation in zeitlicher Abfolge
durchgeführt werden.
Weitere Merkmale und Vorteile der Erfindung ergeben sich
aus der nachfolgenden Beschreibung in Verbindung mit den
beiliegenden Zeichnungen. Dabei zeigt
Fig. 1 eine schematische Darstellung eines
Neurocomputers nach einem Ausführungsbeispiel
der Erfindung;
Fig. 2 eine Tabelle, die den Betriebsablauf
des Neurocomputers von Fig. 1 bezüglich
der Zeit verdeutlicht;
Fig. 3 eine schematische Darstellung eines
Neurocomputers nach einem anderen
Ausführungsbeispiel,
Fig. 4 eine schematische Darstellung eines
Neurocomputers nach einem weiteren
Ausführungsbeispiel der Erfindung;
Fig. 5 eine schematische Darstellung eines
Neurocomputers nach einem weiteren
Ausführungsbeispiel der Erfindung;
Fig. 6 eine schematische Darstellung eines
Neurocomputers nach einem weiteren
Ausführungsbeispiel der Erfindung;
Fig. 7 eine schematische Darstellung eines
Neurocomputers nach einem weiteren
Ausführungsbeispiel der Erfindung,
und
Fig. 8 und 10 schematische Darstellungen
von vorbekannten Neurocomputern.
In Fig. 1 entsprechen die Bezugszeichen den entsprechenden
Teilen von Fig. 8. Der Neurocomputer weist einen Akkumulator
8 auf, der aus einem Integrations-Schaltkreis
mit einem Kondensator und einem Steuerschaltkreis 9 zum
Steuern des lichtaussendenden Feldes 1, der Korrelationsmatrixmaske
2 und dem Akkumulator 8 besteht. Der
Akkumulator 8 und der Steuerschaltkreis 9 bilden eine
Steuereinheit 1 A. Wenn N die Anzahl der imaginären Neuronen,
P die Anzahl der tatsächlich dargestellten Neuronen
(lichtaussendenden/-empfangenden Elemente) V der
Neuronenstatusvektor und U das Produkt der Korrelationsmatrix
T und des Neuronenzustandsvektors V (Membranenpotential)
ist, gilt
In dem in Fig. 1 dargestellten Ausführungsbeispiel ist
P=2.
Jetzt wird eine partielle Korrelationsmatrix T (1, 1) in
der Korrelationsmatrixmaske 2 zu einem Zeitpunkt t = 1
gesetzt mittels des Steuerschaltkreises 9 zur Anzeige
eines partiellen Statusvektors V(1) auf dem lichtaussendenden
Feld 1. Das Ergebnis der Matrixvektoroperation
T (1, 1) V(1) wird von dem lichtaufnehmenden Feld 3 aufgenommen
und in dem Akkumulator 3 gespeichert.
Zu einem Zeitpunkt t = 2 (= P) wird eine partielle Korrelationsmatrix
T (2, 1) in der Korrelationsmatrixmaske 2
zur Anzeige eines partiellen Vektors V(2) auf dem
lichtaussendenden Feld 1 gesetzt. Das lichtaufnehmende
Feld 3 führt eine Matrixvektoroperation T (2, 1) V(2)
durch, der Akkumulator 8 speichert das Ergebnis:
U(1) = T (1,1) V(1) + T (2, 1) V(2) (14)
Zu einem Zeitpunkt t = 3 unterzieht der Steuerschaltkreis
9 das Ausgangssignal des Akkumulators 8 einem
Schwellenwertprozeß in dem Schwellenwertelement
V(1) = R (U(1)) (15)
Das Prozeßergebnis wird dem lichtaussendenden Feld 1 eingegeben.
Zu einem Zeitpunkt t = 4 werden eine partielle Korrelationsmatrix
T (1, 2) und ein partieller Vektor V(1) dargestellt.
Zu einem Zeitpunkt t = 5 werden eine partielle Korrelationsmatrix
T (2, 2) und ein partieller Vektor V(2) dargestellt,
so daß der Akkumulator 8 das folgende speichert:
U(2) = T (1, 2) V(1) + T (2, 2) V(2) (16)
Zu einem Zeitpunkt t = 6 (= 2P + 2) wird der Ausgang des
Akkumulators 8 einem Schwellenwertprozeß
V(2) = R (U(2)) (17)
Das Ergebnis wird auf das Licht aussendende Feld 1 rückgeführt.
Der obige Prozeß wird wiederholt, bis der Ausgang
des Schwellenwertelements 5 sich nicht mehr ändert.
Auf diese Weise wird dieselbe Operation gewonnen, wie
derjenigen einer Anzahl von imaginären Neuronen (N). Der
Betriebsablauf wird in Fig. 2 gezeigt.
Die partielle Korrelationsmatrix kann durch Darstellen
jedes Matritzenelements mit der Transmittanz einer Korrelationsmatrixmaske
oder einem räumlichen Lichtmodulator,
etwa einer Flüssigkeitskristallanzeige, dessen
Transmittanz extern steuerbar ist, ausgedrückt werden.
In Fig. 3 entsprechen die Bezugszeichen denjenigen entsprechender
Elemente von Fig. 1. Dieser Neurocomputer
weist FM-Demodulatoren 10, 11, 12 zum Demodulieren des
Ausgangssignals des lichtaufnehmenden Felds 3, einen Addierer
13 zum Addieren der Ausgänge der FM-Demodulatoren
12, einen Steuerschaltkreis 14 zum Steuern der Korrelationsmatrixmaske
2, einem Komparator 16 zum Vergleichen
des Ausgangssignals des Addierers 13 mit dem Schwellenwert
und Modulatoren 16 zum Aufbringen modulierter Energie
zu dem Licht emittierenden Feld 1 auf. Die FM-Demodulatoren
10, 12, der Addierer 13, der Steuerschaltkreis
14, die Komparatoren 15 und der Modulator 16 bilden
eine Steuereinheit 1 B. N sei die Anzahl der Neuronen,
P die Anzahl der tatsächlichen dargestellten Neuronen
(Licht aussendenden/aufnehmenden Elemente) und S sei
die Anzahl von Divisionen, wobei N = S × P. Jede Komponente
des Neuronenzustandsvektors V an dem lichtaussendenden
Feld 1 wird mit einer Winkelfrequenz ω h in dem
Modulator 16 für eine gleichzeitige Übertragung im Multiplexbetrieb
betrieben. Das heißt
Die Korrelationsmatrix T in der Korrelationsmatrixmaske
2 wird in (S × S) Untermatrizen durch den Steuerschaltkreis
14 aufgeteilt. Die jeweiligen Komponenten jeder
Untermatrix werden mit Winkelfrequenzen O k, O l für eine
gleichzeitige Übertragung moduliert. Das heißt
Das Produkt U des Neuronenstatusvektors V und die Korrelationsmatrix
T werden gegeben als
Zunächst wird das Ausgangssignal des ersten lichtaufnehmenden
Elements U (1) betrachtet. Nachdem U (1) durch die
FM-Demodulatoren 10 geführt ist, sind die Signale U (1)₁ ω ,
. . . U (1) s ω mit einer mittleren Winkelfrequenz von ω₁,
. . . , ω s gegeben durch
Sodann werden U (1)₁ ω ,
. . . U (1) s ω durch die FM-Demodulatoren
11 mit einer zentralen Winkelfrequenz von O₁, . . . O s
unter Bildung von U (1)₁ ω , . . . U (1) s ω wie folgt geführt:
Sodann werden U (1)₁ Ω′ , . . . U (1) s Ω′ durch die FM-Demodulatoren
mit einer zentralen Winkelfrequenz O₁,
. . . O′ unter Schaffung von Ausgangssignalen U (1)₁, . . .
U (1) s als
gebildet.
U (1)₁, . . . U (1) s werden durch den Addierer 13 unter
Schaffung eines Signals
addiert.
Dieses Signal wird einem Schwellenwertprozeß in dem Komparator
15 unterzogen, das Ergebnis wird auf den Eingang
V (1) des ersten Licht emittierenden Elements rückgeführt.
Durch Wiederholen dieser Operation für U (2), . . . U(P)
ist es möglich, dieselbe Betriebsweise wie bei N Neuronen
durchzuführen.
Obwohl die nachfolgende partielle Matrix schneller dargestellt
wird als die Antwortzeit des lichtaufnehmenden
Feldes 3 in dem obigen Ausführungsbeispiel, kann ein Integrator
hinter dem lichtaufnehmenden Feld zur Durchführung
einer Operation Σ T(q, 1) V (q), wobei q gleich 1,
. . . P ist, vorgesehen sein. Auch können ein Speicher
und ein Addierer vorgesehen sein. Obwohl die Vektormatrixoperation
durch ein optisches Quer-Verfahren durchgeführt
wird, sind andere Verfahren, etwa ein systolisches
Betriebsverfahren, verwendet worden.
Obwohl die Erfindung in dem beschriebenen Ausführungsbeispiel
auf Assoziationseigenschaften angewendet wird,
kann es auch auf Optimalwertprobleme angewendet werden.
Es kann weiter Lernfunktionen zur Erzeugung im wesentlichen
derselben Eigenschaften wie denjenigen nach dem
obigen Ausführungsbeispiel verwendet werden. Obwohl bei
dem obigen Ausführungsbeispiel das neurale Netzwerkmodell
von Hopfield verwendet wird, können andere neurale
Netzwerkmodelle, etwa das "Back-Propagation-Modell" verwendet
werden, wobei im wesentlichen dieselben Ergebnisse
wie bei dem obigen Ausführungsbeispiel erreicht werden.
Es kann auch mehrschichtiges neurales Netzwerkmodell,
wie dies in Fig. 4 gezeigt wird, verwendet werden.
In Fig. 4 weist das mehrschichtige neurale Netzwerk eine
Eingangsschicht 21, eine verdeckte Schicht 22 und eine
Ausgangsschicht 23 auf. Jede Eingangseinheit 24 ist in P
partielle Einheiten 25 eingeteilt, von denen jede mit
einer Frequenz ω₁, . . . , ω p moduliert wird. Das Eingangssignal
ist binär, eine logische 1 ist gegeben, wenn
das frequenzmodulierte Signal vorliegt, eine logische 0
ist gegeben, wenn ein solches Signal nicht vorliegt.
Diese Signale werden in die Eingangseinheit 24 gemultiplext,
das Ausgangssignal schreitet zu den jeweiligen
versteckten Einheiten 26 vor. Der Eingangsabschnitt 26
der verdeckten Schicht 22 addiert die Signale von den
jeweiligen Eingangseinheiten 24 zur Schaffung eines Ausgangssignals,
deren Frequenzen durch Bandpaßfilter 27
mit einer Mittelfrequenz von ω₁, . . . , ω p voneinander
getrennt werden, gefolgt durch einen Schwellenwertprozeß
in dem Komparator 28.
Wenn das Ausgangssignal jedes Komparators 28 "1" ist,
wird es mit einer Frequenz von ω₁, . . . , ω p moduliert
und zu der Ausgangsschicht 23 übertragen. Die Ausgangsfrequenzen
der Ausgangseinheit 30 werden durch Bandpaßfilter
31 getrennt. Der Spitzenwert jeder Frequenz wird
durch einen Spitzenwerthaltekreis 32 gehalten. Die jeweiligen
Ausgangssignale werden einem Komparator 33 eingegeben,
um zur Ausgabe einem Schwellenwertprozeß unterworfen
zu werden. Wenn die Anzahl der Modulationsfrequenzen
P ist, wird die Kapazität des Netzwerkes mit
N-Einheiten auf ein Äquivalent von N × P Einheiten vergrößert.
Obwohl in dem obigen Ausführungsbeispiel das gewöhnliche
mehrschichtige neurale Netzwerkmodell diskutiert wird,
kann dies einfach auf ein "Back-Propagation-Modell" ausgedehnt
werden, das eine hierarchische Struktur aufweist.
Obwohl das lichtemittierende Element (der neuronale
Statusvektor) mit einem frequenz-multiplexten Signal
moduliert wird, kann die Empfindlichkeit des lichtaufnehmenden
Elements mit einem frequenz-multiplexten
Signal moduliert werden, um im wesentlichen dieselben
Ergebnisse zu erzielen. Dies kann erreicht werden durch
Verwendung beispielsweise eines Fototransistors als
lichtaufnehmendes Element. Obwohl der Fall ω k << O q in
dem dargestellten Ausführungsbeispiel gezeigt ist, funktioniert
auch ein Netzwerk mit O q << ω k . Die Assoziationseigenschaften
des Hopfield-Modells ist in dem obigen
Ausführungsbeispiel diskutiert, die Erfindung kann
jedoch auch auf ein Optimalwertproblem angewendet werden,
etwa dem des Reisenden, unter Erzeugung im wesentlichen
derselben Ergebnisse wie bei dem obigen Ausführungsbeispiel.
In Fig. 5 weist der Neurocomputer ein LED-Feld 1, ein
lichtaufnehmendes Feld 3, einen Differenzverstärker 4,
einen Komparator 5, einen räumlichen Lichtmodulator 110,
einen Signalprozessor 111, der aus einem Bandpaßfilter
besteht, einem Gleichrichter 112 und einen Treiber 113
für den räumlichen Lichtmodulator 110 auf.
Bei dem Betrieb entspricht das Arbeitsprinzip des Neurocomputers
demjenigen eines üblichen Neurocomputers, wie
er in Fig. 10 dargestellt ist. Die optische Maske 7 wird
jedoch durch den räumlichen Lichtmodulator 110 ersetzt,
der durch ein externes Signal moduliert wird. Sodann
wird der räumliche Lichtmodulator simultan mit Winkelfrequenzen
ω₁ und ω₂ bezüglich des positiven Wertes
Tÿ (+) und des negativen Werts Tÿ (-) der Matrix Tÿ moduliert
T = [Tÿ] = [Tÿ (+) cosω₁t + Tÿ (-)cosω₂t ] (28)
Wenn die j-te Reihe des räumlichen Lichtmodulators 110
von dem j-ten LED 1 bestrahlt wird und die Lichtstrahlen
der i-ten Reihe des räumlichen Lichtmodulators 110 durch
das i-te lichtaufnehmende Element 3 empfangen wird, ergibt
sich das resultierende Signal zu
Dieses Signal wird durch das Bandpaßfilter 111 geführt
zu getrennten Winkelfrequenzen ω₁ und ω₂, gefolgt
durch eine Gleichrichtung durch den Gleichrichter 112
unter Bildung von
Eine Subtraktion dieser Signale voneinander in dem Differenzverstärker
4 ergibt
Ui = Ui (+) - Ui (-) (31)
Dieses Signal wird in dem Komparator 5 einem Schwellenwertprozeß
unterzogen, das Ergebnis wird auf das LED-Feld
1 zurückgeführt.
Obwohl der räumliche Lichtmodulator in dem obigen Ausführungsbeispiel
mit einem frequenz-multiplexten Signal
betrieben wird, kann er mit Signalen betrieben werden,
die in der Frequenz gleich sind, jedoch in der Phase unterschiedlich
sind mit Tÿ (+)cosω t und Tÿ (+)sinω t für
die positiven bzw. negativen Werte von Tÿ. In diesem
Fall werden die positiven und negativen Werte von Tÿ
nach ihrer Phase diskriminiert (Phasenmodulationsverfahren).
Auch kann ein Zeitdivisionsmultiplexen durchgeführt
werden, wie dies in Fig. 6 gezeigt ist.
In Fig. 6 weist der Neurocomputer ein LED-Feld 1, ein
lichtaufnehmendes Feld 3, einen Differenzverstärker 4,
einen Komparator 5, einen räumlichen Lichtmodulator 110,
ein Paar von Treibern 114 a und 114 b für den räumlichen
Lichtmodulator 110, ein Paar Impulsgeneratoren 115 a und
115 b und ein Paar von Sample-and-Hold-Verstärkern 116 a
und 116 b auf.
Der räumliche Lichtmodulator 110 wird mit alternierenden
Impulsen Tÿ (+) und Tÿ (-) von den Impulsgeneratoren
115 a und 115 b über den Treiber 114 a und 114 b getrieben.
Die positiven Werte Tÿ (+) und der negative
Wert Tÿ (-) einer Tÿ-Matrix werden durch Abtasten und
Halten des Ausgangssignals des lichtaufnehmenden Elements
3 in Synchronität mit dem Treiberimpuls für den
räumlichen Lichtmodulator 110 getrennt. Im übrigen entspricht
die Betriebsweise derjenigen des Ausführungsbeispiels
nach Fig. 5.
In Fig. 7 weist der Neurocomputer einen Statusvektortransmitter
1 bestehend aus einer Matrix von Elementen,
etwa LEDs, der ein Signal erzeugt, das dem neuronalen
Zustandsvektor und einer Korrelationsmatrix 2 zum Teilen
der Korrelationsmatrix Tÿ in eine Anzahl von Submatrizen
entspricht und diese in einer Zeitfolge abgibt, während
das Signal in dem Zustandsvektortransmitter 1 in
den Submatrix-Zustand moduliert wird zur Erzeugung einer
Gruppe von Produktsignalen zwischen dem neuronalen Zustandsvektor
und der Submatrix. In diesem Ausführungsbeispiel
ist die Korrelationsmatrix 2 ein räumlicher
Lichtmodulator, so daß es möglich ist, die Transmittanz
jeder Position der Matrix zu ändern. Ein derartiger
räumlicher Lichtmodulator ist in APPLIED OPTICS, 1986,
VOL. 25, Nr. 9, S. 1380-1382 beschrieben.
Ein Aufnahmeelement 6, etwa eine Fotodiode, nimmt eine
Gruppe von Produktsignalen von der Korrelationsmatrix 2
auf zur Schaffung der Summe dieser Signale oder empfängt
eine Komponente des neuronalen Membranpotentialvektors
in Zeitabfolge. Ein Komparator 5 ist vorgesehen, um den
Schwellenwertprozeß durchzuführen.
Bei dem Betrieb wird die Vektorkomponente Vi eines unipolaren
Neurons mit N Neuronen einer Transformation
(τ′) zur Schaffung einer Matrix Xkl von k Reihen und L
Spalten unterworfen
Die Korrelationsmatrix Tÿ führt die Transformation
für jede Komponente i jeder Reihe aus zur Erzeugung von
N Untermatritzen Y′ (qp), jeweils bestehend aus K Reihen
und L Spalten.
Das Produkt (Membranpotential) Z der Korrelationsmatrix
T und des neuronalen Zustandsvektors x ist gegeben
durch
In dem Ausführungsbeispiel von Fig. 7 ist n = 4 und K =
L = 2.
Jetzt wird die Submatrix Y (kl) auf der Matrixebene 2 angegeben
und X pq wird auf dem LED-Feld 1 zu einem Zeitpunkt
t = 11 angezeigt. Das Ausgangssignal des lichtaufnehmenden
Elements stellt das Ergebnis der Matrixoperation
dar.
Dieser Wert wird einem Schwellenwertprozeß in dem Komparator
5 unterworfen zur Schaffung eines Eingangssignals
für X pq des LED-Feldes 1.
X₁₁ = R (Z₁₁) (35)
Zu dem nächsten Zeitpunkt t = 12 werden die Submatrix
Y′ kl (12) und das erneute X pq angezeigt, um eine
entsprechene Matrixoperation
und einen
Schwellenwertprozeß durchzuführen, das Ergebnis wird auf
X pq des LED-Felds 1 rückgeführt.
Derselbe Vorgang wird (asynchron) wiederholt bis t = KL.
Dieselben Ergebnisse wie bei der simultanen Darstellung
der Korrelationsmatrix Tÿ wird durch Wiederholen des
obigen Verfahrens zwischen t = 11 und t = KL durchgeführt.
Obwohl in dem obigen Ausführungsbeispiel der neuronale
Zustand X pq asynchron zu jedem Zeitpunkt t = pq aufgefrischt
wird, kann das Ausgangssignal X pq nach dem
Schwellenwertprozeß zwischen t = 11 und t = KL synchron
durch Verwendung eines Speichers oder dgl. aufgefrischt
werden. Obwohl alle neuronalen Zustandsvektoren gleichzeitig
zur Durchführung der Operation angezeigt werden,
ist es möglich, den neuronalen Zustandsvektor in eine
Anzahl von Einheiten zur Erhöhung der Anzahl von Neuronen
(N) und der Korrelationssubmatrix in die entsprechenden
Einheiten zum Zuführen der Vektormatrixoperation
durchzuführen und sodann die Ergebnisse durch die lichtempfindlichen
Elemente oder den Addierer zu summieren.
Das LED-Feld 1 zur Darstellung des neuronalen Zustandsvektors
kann in dem obigen Ausführungsbeispiel durch einen
räumlichen Lichtmodulator ersetzt werden. Obwohl die
Erfindung in dem obigen Ausführungsbeispiel bezüglich
der Assoziationseigenschaften diskutiert werden, kann es
auf ein Optimalwertproblem angewendet werden. Weiter
kann eine Lernfunktion eingesetzt werden, wobei sich
dieselben Ergebnisse wie bei dem obigen Ausführungsbeispiel
ergeben. Das obige Ausführungsbeispiel basiert auf
dem Hopfield-Modell eines neuronalen Netzwerkes, es kann
jedoch auch auf einem anderen neuronalen Netzwerk, etwa
dem "Back-Propagation-Modell" basieren, wobei im wesentlichen
dieselben Eigenschaften erreicht werden. Obwohl das
obige Ausführungsbeispiel durch eine optische Technologie
angewendet wird, kann es auch unter Verwendung einer
elektronischen Technologie verwendet werden, etwa einer
LSI-Technologie, wobei im wesentlichen dieselben Ergebnisse
erzielt werden.
Es wurde oben beschrieben, daß es nach einem Aspekt der
Erfindung möglich ist, die Anzahl der imaginären Neuronen
N ohne Erhöhung der Größe des Systems zu erhöhen,
wodurch die Anzahl der gespeicherten Informationsstücke
(M) erhöht werden kann mittels einer Steuereinheit, die
ein Aufteilen der Korrelationsmatrix in eine Anzahl von
Submatrizen, das Ausgeben der Submatrizen in einer
Zeitabfolge unter Erzeugung von Partialvektoren des Statusvektors
in der Zeitabfolge und eine Operation bezüglich
jeder Submatrix und jedes Partialvektors zur Durchführung
einer Produktoperation an der Korrelationsmatrix
und dem neuronalen Statusvektor durchgeführt werden
kann.
In Übereinstimmung mit einem anderen Aspekt der Erfindung
ist es möglich, die Anzahl der imaginären Neuronen
(N) ohne Erhöhung der Systemgröße zu erhöhen, um so die
Anzahl der Stücke der gespeicherten Informationen M zu
vergrößern durch eine Steuereinheit, die die Modulation
der Submatrizen und der partialen Vektoren mit unterschiedlichen
Frequenzen für ein Frequenzmultiplexen und
eine Produktoperation auf dem multiplexten Statusvektor
und der Korrelationsmatrix durchführt, wobei die Frequenzen
getrennt werden zur Schaffung eines Produkts des
ganzen Statusvektors und der Korrelationsmatrix.
In Übereinstimmung mit einem weiteren Ausführungsbeispiel
der Erfindung ist es möglich, einen einfachen Neurocomputer
mit lediglich einem optischen System zu
schaffen, das einfach in großem Maßstab hergestellt werden
kann durch Schaffen eines Feldes von lichtemittierenden
Elementen, von denen jedes entsprechend dem neuronalen
Statusvektor ein- und ausgeschaltet wird, einem
räumlichen Lichtmodulator, der mit unterschiedlichen
Frequenzen oder Phasen für jeweilige positive und negative
Werte gespeicherter Information oder aber durch ein
Multiplexen mit zeitlicher Aufteilung für positive und
negative Werte betrieben wird zur Schaffung einer Korrelationsmatrix
und Modulieren des Lichtes von dem lichtaussendenden
Feld und Übertragen des optischen Produktsignals
der Korrelationsmatrix und des neuronalen Statusvektors,
einem lichtempfindlichen Feld zur Aufnahme
des übertragenden Lichts von dem räumlichen Lichtmodulator
zur Schaffung der Summe der Produktsignale und einem
Signalprozessor zum Diskriminieren des Ausgangssignals
des Licht aufnehmenden Feldes zur Schaffung von Signalen,
die den positiven und negativen Wert entsprechen,
und einem Differenzverstärker zur Schaffung einer Differenz
zwischen den Signalen von dem Signalprozessor, wobei
jedes den positiven und negativen Werten äquivalent
ist, und einem Komparator zum Durchführen eines Schwellenwertprozesses
auf der Differenz und deren Rückführung
zu dem Licht aussendenden Feld.
Nach einem anderen Aspekt der Erfindung ist es möglich,
eine große Menge von Information mit einem kleinen System
ohne Schwierigkeiten zu verarbeiten bei Schaffung
eines Statusvektortransmitters, der aus einer Matrix von
Elementen besteht, die jeweils einem neuronalen Statusvektor
entsprechen, einer Korrelationsmatrixeinheit
zum Aufteilen der Korrelationsmatrix in eine Anzahl von
Submatrizen und deren Ausgeben in zeitliche Abfolge unter
Modulieren eines Signals von dem Statusvektortransmitter
mit der Submatrix zur Schaffung einer Gruppe von
Produktionssignalen des neuronalen Statusvektors und der
Submatrix und einem Aufnahmeelement zum Aufnehmen der
Produktionssignalgruppe zur Schaffung der Summe dieser
Signale zum Liefern von Produktionsoperationen in zeitlicher
Abfolge.
Da kein Hologramm erforderlich ist, wenn der Neurocomputer
nach der Erfindung in optischer Technologie hergestellt
wird, kann ein solcher Neurocomputer einfach hergestellt
werden, die Optik kann einfach ausgerichtet
werden.
Die in der vorstehenden Beschreibung, in der Zeichnung
sowie in den Ansprüchen offenbarten Merkmale der Erfindung
können sowohl einzeln als auch in beliebigen Kombinationen
für die Verwirklichung der Erfindung in ihren
verschiedenen Ausführungsformen wesentlich sein.
1
Feld lichtaussendender Elemente
1
A
Steuereinheit
1
B
Steuereinheit
2
Korrelationsmatrixmaske
3
Feld lichtaufnehmender Elemente
4
Differenz-Verstärker
5
Komparator
8
Akkumulator
9
Steuerschaltung
10
FM-Demodulationskreis
11
FM-Demodulationskreis
12
FM-Demodulationskreis
13
Addierer
14
Steuerschaltkreis
15
Komparator
16
Modulator
21
Eingangsschicht
22
verdeckte Schicht
23
Ausgangsschicht
31
Bandpaßfilter
32
Spitzenwerthaltekreis
33
Komparator
110
Lichtmodulator
111
Prozessor
112
Gleichrichter
113
Treiber
Claims (12)
1. Neurocomputer zum Auswählen einer einem Eingangsvektor
am nächsten kommenden Vektorinformation aus gespeicherten
Vektorinformationen durch Durchführen einer
Produktoperation eines neuronalen Statusvektors und einer
Korrelationsmatrix, die die Vektorinformation gibt,
gekennzeichnet durch eine Steuereinheit, die die Korrelationsmatrix
in eine Mehrzahl von Submatrizen aufteilt
und diese in zeitlicher Abfolge während der Ausgabe
einer Mehrzahl von Partialvektoren des Statusvektors
in zeitlicher Abfolge ausgibt, um eine Operation
an jeder der Submatrizen und jedem der Partialvektoren
durchzuführen, wodurch eine Produktoperation der Korrelationsmatrix
und des neuronalen Statusvektors als
Ganzes durchgeführt wird.
2. Neurocomputer nach Anspruch 1, gekennzeichnet durch
- - ein Feld (1) lichtaussendender Elemente, die jeweils ein einen Eingangsvektor angebendes optisches Signal erzeugen,
- - eine Korrelationsmatrixmaske (2) zum Modulieren des optischen Signals,
- - ein Feld (3) von lichtaufnehmenden Elementen zum Aufnehmen des optischen Signals aus der Korrelationsmatrixmaske (2),
- - einem Akkumulator (8), der aus einem Integrationskondensator zur Aufnahme des Ausgangssignals des Feldes (3) von lichtaufnehmenden Elementen besteht,
- - eine Schwellenwerteinheit bestehend aus einem Komparator (5) zum Vergleichen des Ausgangssignals des Akkumulators (8) mit einem Schwellenwert und Rückführen des Ausgangssignals zurück zu dem Feld (1) von lichtaussendenden Elementen, und
- - eine Steuereinheit (1 A ) zur Steuerung des Feldes (1) von lichtaussendenden Elementen, der Korrelationsmatrixmaske (2) und des Akkumulators (8).
3. Neurocomputer zum Auswählen einer einem eingegebenen
Vektor am ähnlichsten Vektorinformation aus gespeicherten
Vektorinformationen durch Durchführen einer
Produktoperation eines neuronalen Statusvektors einer
Korrelationsmatrix, die die Vektorinformation angibt,
gekennzeichnet durch eine Steuereinheit, die eine Mehrzahl
von Submatrizen der Korrelationsmatrix und Partialvektoren
des Statusvektors mit unterschiedlichen Frequenzen
zum Frequenzmultiplexen moduliert, und Durchführen
einer Produktoperation an dem Statusvektor und
der Korrelationsmatrix unter Multiplexbedingungen, gefolgt
durch eine Frequenztrennung, um so ein Produkt
des Statusvektors und der Korrelationsmatrix als Ganzes
zu schaffen.
4. Neurocomputer nach Anspruch 3, gekennzeichnet durch
- - ein Feld (1) von lichtaussendenden Elementen zum Erzeugen eines einen Eingangsvektor angebenden optischen Signals,
- - einen Modulator (16) zum Modulieren des Feldes (1) von lichtaussendenden Elementen mit einer Winkelfrequenz von ω h , wobei h = 1, 2, . . . , S ist, wobei S der Anzahl der Teilungen entspricht,
- - eine Korrelationsmatrixmaske (2) zum Modulieren des optischen Signals von dem Feld (1) von lichtaussendenden Elementen mit Winkelfrequenzen O k und O′ l, wobei k und l = 1, 2, . . . , S für jede Komponente der Submatrix ist,
- - einen Steuerschaltkreis (14) zum Steuern einer Modulationsoperation der Korrelationsmatrixmaske (2),
- - ein Feld (3) von lichtaufnehmenden Elementen zum Empfangen des optischen Signals von der Korrelationsmatrixmaske (2),
- - einen Frequenzmodulationsdemodulator (10, 11, 12) zum Demodulieren jedes der Ausgangssignale des Feldes (3) von lichtaufnehmenden Elementen (3) bezüglich bestimmter Frequenzen mit einer mittleren Winkelfrequenz von ω h , O k, O l,
- - einen Addierer (13) zum Addieren der jeweiligen Ausgangssignale des Frequenzmodulationsdemodulators (12) der Mittenwinkelfrequenz von O′ l, und
- - einen Komparator (15) zum Vergleichen des Ausgangssignals des Addierers (13) mit einem Schwellenwert und Rückführen des Ausgangssignals zurück zu dem Feld (1) lichtaussendender Elemente.
5. Neurocomputer nach Anspruch 3, gekennzeichnet durch
ein mehrschichtiges neuronales Netzwerk, bestehend aus
einer Eingangsschicht (21), einer verdeckten Schicht
(22) und einer Ausgangsschicht (23).
6. Neurocomputer zur Durchführung einer Produktoperation
und einer Summenoperation an einem neuronalen Statusvektor
und einer Korrelationsmatrix, gekennzeichnet
durch:
- - ein Feld (1) von lichtaussendenden Elementen, die entsprechend dem neuronalen Statusvektor ein- oder ausgeschaltet werden,
- - einen räumlichen Lichtmodulator (110) zum Modulieren des Lichts des Feldes (1) von lichtaussendenden Elementen zur Übertragung des Produkts optischer Signale des neuronalen Statusvektors und der Korrelationsmatrix,
- - Mittel (113) zum Treiben des räumlichen Lichtmodulators (110) mit unterschiedlichen Frequenzen oder Phasen für positive und negative Werte der gespeicherten Information oder durch alternierendes zeitgeteiltes Multiplexen zur Realisierung der Korrelationsmatrix,
- - ein Feld (3) von lichtaufnehmenden Elementen zum Aufnehmen des Produktes optischer Signale von dem räumlichen Lichtmodulator (110) zur Schaffung einer Summe des Produktes der optischen Signale,
- - einen Signalprozessor (111) zum Diskriminieren des Ausgangssignals des Feldes (1) von lichtaufnehmenden Elementen zur Schaffung von Signalen, die den positiven und negativen Werten entsprechen,
- - einen Differenzverstärker (4) zum Schaffen der Differenz zwischen den Signalen, die den positiven und negativen Werten entsprechen, und
- - einen Komparator (5) zum Unterwerfen eines Wertes der Differenz des Differenzverstärkers (4) unter einen Schwellenwertprozeß zur Schaffung einer Rückführung zu dem Feld (1) lichtaussendender Elemente.
7. Neurocomputer nach Anspruch 6, dadurch gekennzeichnet,
daß Mittel zum Treiben einen Treiber (113)
zum Modulieren und zum Treiber des räumlichen Lichtmodulators
(110) simultan mit Winkelfrequenzen ω₁ und
ω₂ für positive und negative Werte aufweisen.
8. Neurocomputer nach Anspruch 7, dadurch gekennzeichnet,
daß der Signalprozessor (110) ein Bandpaßfilter
zum Trennen des Ausgangssignales des Feldes (1)
lichtaufnehmender Elemente in Komponenten mit Winkelfrequenzen
ω₁ und ω₂ zur Schaffung von Signalen entsprechend
den positiven und negativen Werten aufweist.
9. Neurocomputer nach Anspruch 6, dadurch gekennzeichnet,
daß die Mittel zum Treiben aufweisen:
- - einen Impulsgenerator, der einen Impuls zum Betreiben des räumlichen Lichtmodulators (110) für positive und negative Werte durch zeitgeteiltes Multiplexen, und
- - einen Treiber, der auf die Impulse anspricht zum Betreiben des räumlichen Lichtmodulators (110) durch zeitgeteiltes Multiplexen.
10. Neurocomputer nach Anspruch 9, dadurch gekennzeichnet,
daß der Signalprozessor (111) einen Sample-and-
hold-Verstärker zum Abtasten und Halten eines Ausgangssignals
des Feldes (3) von lichtaufnehmenden Elementen
für positive und negative Werte in Synchronität mit den
Impulsen aufweist, um Signale zu schaffen, die den positiven
und negativen Werten entsprechen.
11. Neurocomputer zur Durchführung einer Produktoperation
und einer Summenoperation an einem neuronalen Statusvektor
und einer Korrelationsmatrix, gekennzeichnet
durch
- - einen Statusvektortransmitter, bestehend aus einer Matrix von Elementen, die ein dem neuronalen Statusvektor entsprechendes Signal erzeugen,
- - eine Korrelationsmatrixeinheit zum Aufteilen der Korrelationsmatrix in eine Mehrzahl von Submatrizen und zu deren Aufgabe in zeitlicher Abfolge unter Modulieren eines Signals des Statusvektortransmitters in einen Submatrixzustand zur Schaffung einer Gruppe von Produktsignalen des neuronalen Statusvektors und der Submatrix, und
- - ein Aufnahmeelement zur Aufnahme der Gruppen von Produktsignalen zur Schaffung einer Summe von diesen, wodurch die Produktoperation und die Summenoperation in zeitlicher Abfolge durchgeführt werden.
12. Neurocomputer nach Anspruch 11, dadurch gekennzeichnet,
daß die Korrelationsmatrixeinheit ein räumlicher
Lichtmodulator ist.
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP16732188 | 1988-07-05 | ||
JP17403388A JP2621378B2 (ja) | 1988-07-12 | 1988-07-12 | ニューロコンピュータ |
JP19754788A JPH077315B2 (ja) | 1988-08-08 | 1988-08-08 | 光ニユーロコンピユータ |
JP1046789A JPH0736180B2 (ja) | 1988-07-05 | 1989-02-28 | ニューロコンピュータの演算方式 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE3922129A1 true DE3922129A1 (de) | 1990-01-11 |
DE3922129C2 DE3922129C2 (de) | 1999-01-07 |
Family
ID=27461938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE3922129A Expired - Fee Related DE3922129C2 (de) | 1988-07-05 | 1989-07-05 | Neurocomputer |
Country Status (3)
Country | Link |
---|---|
US (1) | US5095459A (de) |
DE (1) | DE3922129C2 (de) |
GB (1) | GB2220780B (de) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4129561A1 (de) * | 1990-09-26 | 1992-04-09 | Mitsubishi Electric Corp | Informationsverarbeitungssystem |
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
DE4035559C2 (de) * | 1990-11-08 | 2000-03-02 | Grumman Aerospace Corp | Fotostimuliertes neuronales Netz |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2716796B2 (ja) * | 1989-04-28 | 1998-02-18 | 三菱電機株式会社 | 光コンピユータ |
US5255362A (en) * | 1989-08-09 | 1993-10-19 | Grumman Aerospace Corporation | Photo stimulated and controlled imaging neural network |
US5257389A (en) * | 1990-04-27 | 1993-10-26 | California Institute Of Technology | Imer-product array processor for retrieval of stored images represented by bipolar binary (+1,-1) pixels using partial input trinary pixels represented by (+1,-1) |
US5287431A (en) * | 1991-04-26 | 1994-02-15 | Yozan, Inc. | Neural network using liquid crystal for threshold and amplifiers for weights |
US5412755A (en) * | 1991-11-26 | 1995-05-02 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Optical implementation of inner product neural associative memory |
JP3171897B2 (ja) * | 1992-01-07 | 2001-06-04 | 三菱電機株式会社 | 知識情報処理装置 |
JPH0765021A (ja) * | 1992-02-21 | 1995-03-10 | Mitsubishi Electric Corp | 情報検索装置 |
US5440671A (en) * | 1992-07-30 | 1995-08-08 | Olympus Optical Co., Ltd. | Neural net model and neural net optimizing method and system for realizing the same |
AT402350B (de) * | 1992-10-15 | 1997-04-25 | Grabherr Manfred | Gerät, das nach dem prinzip neuronaler netzwerke arbeitet |
EP0594150A3 (en) * | 1992-10-20 | 1994-09-21 | Fuji Photo Film Co Ltd | An optical operation element and use thereof |
JPH06324298A (ja) * | 1993-03-31 | 1994-11-25 | Citizen Watch Co Ltd | 光学装置 |
US5900634A (en) * | 1994-11-14 | 1999-05-04 | Soloman; Sabrie | Real-time on-line analysis of organic and non-organic compounds for food, fertilizers, and pharmaceutical products |
US5995652A (en) * | 1995-01-23 | 1999-11-30 | Sony Corporation | Pattern searching method using neural networks and correlation |
US6326140B1 (en) | 1995-08-09 | 2001-12-04 | Regents Of The University Of California | Systems for generating and analyzing stimulus-response output signal matrices |
US5777888A (en) * | 1995-08-09 | 1998-07-07 | Regents Of The University Of California | Systems for generating and analyzing stimulus-response output signal matrices |
JP3669511B2 (ja) * | 1996-08-12 | 2005-07-06 | ザ リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア | 刺激−応答出力信号マトリックスの生成および分析のためのシステム |
US6882992B1 (en) * | 1999-09-02 | 2005-04-19 | Paul J. Werbos | Neural networks for intelligent control |
GB9925250D0 (en) * | 1999-10-27 | 1999-12-29 | British Aerospace | Threshold comparator |
KR100672635B1 (ko) * | 2001-12-29 | 2007-01-23 | 엘지.필립스 엘시디 주식회사 | 액정표시장치의 구동방법 |
WO2016028363A2 (en) | 2014-06-06 | 2016-02-25 | Massachusetts Institute Of Technology | Methods, systems, and apparatus for programmable quantum photonic processing |
KR102542496B1 (ko) | 2016-06-02 | 2023-06-13 | 메사추세츠 인스티튜트 오브 테크놀로지 | 광 신경망 용 장치 및 방법 |
US10634851B2 (en) | 2017-05-17 | 2020-04-28 | Massachusetts Institute Of Technology | Apparatus, systems, and methods for nonblocking optical switching |
WO2019014345A1 (en) | 2017-07-11 | 2019-01-17 | Massachusetts Institute Of Technology | OPTICAL ISING MACHINES AND OPTICAL CONVOLUTIVE NEURAL NETWORKS |
WO2020027868A2 (en) | 2018-02-06 | 2020-02-06 | Massachusetts Institute Of Technology | Serialized electro-optic neural network using optical weights encoding |
WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
WO2019222150A1 (en) | 2018-05-15 | 2019-11-21 | Lightmatter, Inc. | Algorithms for training neural networks with photonic hardware accelerators |
SG11202011352SA (en) | 2018-05-15 | 2020-12-30 | Lightmatter Inc | Photonic processing systems and methods |
US10608663B2 (en) | 2018-06-04 | 2020-03-31 | Lightmatter, Inc. | Real-number photonic encoding |
AU2019282632B2 (en) | 2018-06-05 | 2024-04-18 | Lightelligence PTE. Ltd. | Optoelectronic computing systems |
US11507818B2 (en) | 2018-06-05 | 2022-11-22 | Lightelligence PTE. Ltd. | Optoelectronic computing systems |
US11256029B2 (en) | 2018-10-15 | 2022-02-22 | Lightmatter, Inc. | Photonics packaging method and device |
TW202036134A (zh) | 2018-11-02 | 2020-10-01 | 美商萊特美特股份有限公司 | 使用光學處理的矩陣乘法 |
US11604978B2 (en) | 2018-11-12 | 2023-03-14 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
US11734556B2 (en) | 2019-01-14 | 2023-08-22 | Lightelligence PTE. Ltd. | Optoelectronic computing systems |
TW202113412A (zh) | 2019-01-15 | 2021-04-01 | 美商萊特美特股份有限公司 | 高效率多槽式波導奈米光機電相位調變器 |
US11196395B2 (en) | 2019-01-16 | 2021-12-07 | Lightmatter, Inc. | Optical differential low-noise receivers and related methods |
KR20200097369A (ko) | 2019-02-07 | 2020-08-19 | 삼성전자주식회사 | 광학 장치 및 이를 포함하는 광신경망 장치 |
TW202111467A (zh) | 2019-02-25 | 2021-03-16 | 美商萊特美特股份有限公司 | 路徑數平衡式通用光子網路 |
JP2022523209A (ja) | 2019-02-26 | 2022-04-21 | ライトマター インコーポレイテッド | ハイブリッドアナログ・デジタル行列プロセッサ |
CN110392193B (zh) * | 2019-06-14 | 2020-09-15 | 浙江大学 | 一种掩膜板相机的掩膜板 |
KR20220039775A (ko) | 2019-07-29 | 2022-03-29 | 라이트매터, 인크. | 선형 포토닉 프로세서를 이용한 아날로그 계산을 위한 시스템들 및 방법들 |
US11093215B2 (en) | 2019-11-22 | 2021-08-17 | Lightmatter, Inc. | Linear photonic processors and related methods |
US11719963B2 (en) | 2020-04-29 | 2023-08-08 | Lightelligence, Inc. | Optical modulation for optoelectronic processing |
US11700078B2 (en) | 2020-07-24 | 2023-07-11 | Lightmatter, Inc. | Systems and methods for utilizing photonic degrees of freedom in a photonic processor |
US20230351167A1 (en) * | 2020-09-15 | 2023-11-02 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Frequency multiplexed photonic neural networks |
US20220097690A1 (en) * | 2020-09-30 | 2022-03-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Optical sense-compute solution for real-time navigation involving multiple vehicles |
US20220180175A1 (en) * | 2020-12-08 | 2022-06-09 | Oxford University Innovation Limited | Optical neural network |
US11546077B2 (en) * | 2021-04-16 | 2023-01-03 | Massachusetts Institute Of Technology | Scalable, ultra-low-latency photonic tensor processor |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0294116A2 (de) * | 1987-06-01 | 1988-12-07 | Texas Instruments Incorporated | Digitaler adaptiver Empfänger, der die Maximalwahrscheinlichkeitssequenz-Bewertung mit Hilfe von Neuronen-Netzwerken benutzt |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1202551A (en) * | 1967-06-12 | 1970-08-19 | British Aircraft Corp Ltd | Information storage and recognition |
US4567569A (en) * | 1982-12-15 | 1986-01-28 | Battelle Development Corporation | Optical systolic array processing |
GB2144848B (en) * | 1983-08-12 | 1987-03-25 | Secr Defence | Electrical signal spectrum analyser |
GB2154772B (en) * | 1984-02-25 | 1987-04-15 | Standard Telephones Cables Ltd | Optical computation |
US4704702A (en) * | 1985-05-30 | 1987-11-03 | Westinghouse Electric Corp. | Systolic time-integrating acousto-optic binary processor |
US4862406A (en) * | 1986-01-29 | 1989-08-29 | The United States Of America As Represented By The Secretary Of The Navy | Adaptive associative-processing optical computing architectures |
GB2193020A (en) * | 1986-06-17 | 1988-01-27 | British Aerospace | Multiple correlation system |
-
1989
- 1989-07-04 GB GB8915308A patent/GB2220780B/en not_active Expired - Fee Related
- 1989-07-05 US US07/375,813 patent/US5095459A/en not_active Expired - Fee Related
- 1989-07-05 DE DE3922129A patent/DE3922129C2/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0294116A2 (de) * | 1987-06-01 | 1988-12-07 | Texas Instruments Incorporated | Digitaler adaptiver Empfänger, der die Maximalwahrscheinlichkeitssequenz-Bewertung mit Hilfe von Neuronen-Netzwerken benutzt |
Non-Patent Citations (4)
Title |
---|
"OPTICS LETTERS", 1988, Vol.13, Nr.3, S.248-250 * |
"PROCEEDINGS OF NATIONAL ACADEMY OF SCIENCE", U.S.A. 1982, Vol. 79, S. 2554-2558 * |
R.A. Athale, W.C. Collins, and P.D. Stilwell: "High accuracy matrix multiplication with outer product optical prozessor", in US-Z: Applied optics/Vol. 22, No. 3/1 February 1983/ S. 368-370 * |
US-Z: Applied Optics, 15 May 1985, Vol. 24, No. 10, S. 1469-1475 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4129561A1 (de) * | 1990-09-26 | 1992-04-09 | Mitsubishi Electric Corp | Informationsverarbeitungssystem |
US5257343A (en) * | 1990-09-26 | 1993-10-26 | Mitsubishi Denki Kabushiki Kaisha | Intelligence information processing system |
US5479569A (en) * | 1990-09-26 | 1995-12-26 | Mitsubishi Denki Kabushiki Kaisha | Intelligence information processing method |
DE4035559C2 (de) * | 1990-11-08 | 2000-03-02 | Grumman Aerospace Corp | Fotostimuliertes neuronales Netz |
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
US5247584A (en) * | 1991-01-10 | 1993-09-21 | Bodenseewerk Geratetechnik Gmbh | Signal processing unit for classifying objects on the basis of signals from sensors |
Also Published As
Publication number | Publication date |
---|---|
DE3922129C2 (de) | 1999-01-07 |
GB2220780B (en) | 1992-12-23 |
US5095459A (en) | 1992-03-10 |
GB2220780A (en) | 1990-01-17 |
GB8915308D0 (en) | 1989-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3922129A1 (de) | Neurocomputer | |
DE4042139C2 (de) | Neuron-Einheit | |
DE2503851C2 (de) | Schaltung zur Ansteuerung einer Lichtquellenzeile zur gerasterten Reproduktion eines Bildes | |
DE4217832C2 (de) | Mustererkennungsgerät | |
DE112018003231T5 (de) | Neuromorphe verarbeitungsvorrichtung | |
DE2023570C2 (de) | Einseitenband-Modulationssystem | |
DE2746969C2 (de) | Einrichtung zum Vergleichen von Mustern | |
DE3016042A1 (de) | Umsetzungsschaltung zur bildreproduktion | |
DE112020001369T5 (de) | Gepulste synaptische elemente für gepulste neuronale netze | |
EP0748472A1 (de) | Optischer vektormultiplizierer für neuronale netze | |
DE2834761A1 (de) | Festkoerper-bildaufnahmevorrichtung | |
DE3427669C2 (de) | Signalverarbeitungsschaltung | |
DE19503147C2 (de) | Chaos-Neuronen-Schaltung und diese verwendendes Neuronales Chaos-Netzwerk | |
DE2941667A1 (de) | Zeichenaufzeichnungsvorrichtung | |
DE19504664C2 (de) | Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür | |
EP1032891A2 (de) | Verfahren und einrichtung zur detektion und koinzidenzbringung abschnittsweise in monotone und stetige trajektorien wandelbarer signalformen | |
DE2148152A1 (de) | Verfahren und schaltungsanordnung zum automatischen erkennen von schriftzeichen mit hilfe einer translationsinvarianten klassifikationsmatrix | |
Beuth | Visual attention in primates and for machines-neuronal mechanisms | |
DE10101571B4 (de) | Bilddetektorprozessor | |
DE2461651A1 (de) | System zur zaehlung von mustern | |
DE4240789C2 (de) | Verfahren zur Identifizierung von Objekten | |
DE2823679C2 (de) | ||
DE10048308A1 (de) | Verfahren und Vorrichtung zum Klassifizieren von Objekten aus als Pixelmuster vorliegenden eingangsseitigen Bilddaten | |
DE1284127B (de) | Funktionsgenerator fuer spezielle Autokorrelationsfunktionen | |
EP1359539A2 (de) | Neurodynamisches Modell der Verarbeitung visueller Informationen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8125 | Change of the main classification |
Ipc: G06F 15/347 |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |