[發(fā)明專利]一種脈沖神經(jīng)網(wǎng)絡(luò)映射方法

在審

• 申請?zhí)枺?/td>: 202111024732.0
• 申請日: 2021-09-02
• 公開（公告）號: CN113900795A
• 公開（公告）日: 2022-01-07
• 發(fā)明（設(shè)計）人: 黃漪婧;吳志剛;戴靠山;吳建軍;沈偉;廖光明;衛(wèi)軍名;周林;楊斌;張丁凡;張輝;周成剛;魏莞月;向光明;童波;朱瑞蒙
• 申請（專利權(quán)）人: 四川晟錦匯科技有限公司
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 北京喆翙知識產(chǎn)權(quán)代理有限公司 11616
• 代理人: 朱學(xué)繪

本發(fā)明公開了一種脈沖神經(jīng)網(wǎng)絡(luò)映射方法，包括一種針對多對一拓?fù)溆成鋱鼍跋赂倪M(jìn)的蟻群算法，給定神經(jīng)元的索引，經(jīng)過映射算法，得出其部署的節(jié)點(diǎn)索引，相對于傳統(tǒng)的蟻群算法，在概率中增加了R_j(t)，代表第t次循環(huán)時節(jié)點(diǎn)r_j的占用率，即更傾向于將神經(jīng)元部署在占用率高的節(jié)點(diǎn)上，將不同的神經(jīng)元部署在同一節(jié)點(diǎn)上直接避免了它們之間的通信量。本發(fā)明的優(yōu)點(diǎn)：改進(jìn)了蟻群映射算法，此外，提出的算法的應(yīng)用場景更多的是單節(jié)點(diǎn)上可以部署多個神經(jīng)元的情況。

技術(shù)領(lǐng)域

本發(fā)明涉及脈沖神經(jīng)網(wǎng)絡(luò)映射技術(shù)領(lǐng)域，具體是指一種脈沖神經(jīng)網(wǎng)絡(luò)映射方法。

背景技術(shù)

采用神經(jīng)形態(tài)計算架構(gòu)的計算機(jī)進(jìn)行仿真工作面臨著的一個重要問題是如何將復(fù)雜的神經(jīng)網(wǎng)絡(luò)映射到節(jié)點(diǎn)網(wǎng)絡(luò)中，即邏輯網(wǎng)絡(luò)與物理網(wǎng)絡(luò)的映射問題。邏輯網(wǎng)絡(luò)，即問題網(wǎng)絡(luò)、任務(wù)網(wǎng)絡(luò)，尤其是需要對生物神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真時，其規(guī)模是巨大的，體現(xiàn)在兩方面：一是神經(jīng)元數(shù)目巨大，二是神經(jīng)元之間的連接復(fù)雜。此外，邏輯網(wǎng)絡(luò)針對不同的應(yīng)用場景，其結(jié)構(gòu)也是多種多樣，不可能針對某種邏輯網(wǎng)絡(luò)特別設(shè)計物理網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。同時，物理網(wǎng)絡(luò)的節(jié)點(diǎn)的容量有限，能夠支持的神經(jīng)元數(shù)量有限，路由單元的能力有限。從而，如何將邏輯網(wǎng)絡(luò)與物理網(wǎng)絡(luò)進(jìn)行映射成為了系統(tǒng)設(shè)計的一個關(guān)鍵步驟。

發(fā)明內(nèi)容

本發(fā)明為了解決上述的各種問題，提供了改進(jìn)的蟻群映射算法的一種脈沖神經(jīng)網(wǎng)絡(luò)映射方法。

為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案為：一種脈沖神經(jīng)網(wǎng)絡(luò)映射方法，包括一種針對多對一拓?fù)溆成鋱鼍跋赂倪M(jìn)的蟻群算法，所述針對多對一拓?fù)溆成鋱鼍跋赂倪M(jìn)的蟻群算法定義映射算法為：

node_idx＝ω(neuron_idx)

即，給定神經(jīng)元的索引，經(jīng)過映射算法，得出其部署的節(jié)點(diǎn)索引。優(yōu)化的目標(biāo)是平均跳數(shù)，目標(biāo)函數(shù)如下：

其中，C(v)是神經(jīng)元v發(fā)出的脈沖所需要的所有轉(zhuǎn)發(fā)次數(shù)，需要注意的是由于通信模式選擇為多播，因而如果多個目標(biāo)節(jié)點(diǎn)在同一個轉(zhuǎn)發(fā)方向時只需要一次轉(zhuǎn)發(fā)即可，p(v)指的是神經(jīng)元v產(chǎn)生脈沖占所有神經(jīng)元脈沖的比例，在隨機(jī)的情況下，可以認(rèn)為所有神經(jīng)元的比例相同。

初始化，啟發(fā)信息的定義如下：

即，神經(jīng)元v_i映射到節(jié)點(diǎn)r_j的啟發(fā)信息由神經(jīng)元的重要程度和節(jié)點(diǎn)的中心程度決定，其中，神經(jīng)元的重要程度importance(i)為與它連接的神經(jīng)元個數(shù)。

importance(i)＝Fanin(i)+Fanout(i)

節(jié)點(diǎn)的中心程度由它與其余節(jié)點(diǎn)的曼哈頓距離決定。

節(jié)點(diǎn)的中心程度為它距離其他節(jié)點(diǎn)的曼哈頓距離之和，這一值反映節(jié)點(diǎn)的通信能力，曼哈頓距離之和越小，節(jié)點(diǎn)的中心程度越高，意味著節(jié)點(diǎn)的通信能力越強(qiáng)，從而在沒有其他因素的情況下，神經(jīng)元更應(yīng)該部署在中心程度高的節(jié)點(diǎn)上，神經(jīng)元的輸出連接的神經(jīng)元越多，說明神經(jīng)元的通信壓力越大，所以更應(yīng)該將其放在中心程度高的節(jié)點(diǎn)上，所以，啟發(fā)信息應(yīng)當(dāng)與神經(jīng)元的重要程度呈正比，與其中心程度呈反比，這樣使得通信壓力大的神經(jīng)元部署在通信能力強(qiáng)的節(jié)點(diǎn)上的可能性更大。

解構(gòu)建，在傳統(tǒng)蟻群算法中，第t次迭代中，第k只螞蟻將神經(jīng)元v_i映射到節(jié)點(diǎn)r_j的概率為：

上式中，τ_i，j(t)是第t次循環(huán)時，R_j(t)是第t次循環(huán)時節(jié)點(diǎn)r_j的占用率，神經(jīng)元v_i映射到節(jié)點(diǎn)r_j的歸一化信息素濃度，本文最上述決策概率進(jìn)行了改進(jìn)，