DE3922129A1

DE3922129A1 - Neurocomputer

Info

Publication number: DE3922129A1
Application number: DE3922129A
Authority: DE
Inventors: Jun Ohta; Kazuo Kyuma; Shuichi Tai; Masaya Oita
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1988-07-05
Filing date: 1989-07-05
Publication date: 1990-01-11
Anticipated expiration: 2009-07-06
Also published as: DE3922129C2; GB2220780B; US5095459A; GB2220780A; GB8915308D0

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.

Bezugszeichenliste

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

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.