Abstract
神經綱路在計算系統中, 可以產生新奇具潛力的結構, 因此越來越受到重視。他們就像人腦一般, 有類似的運算方式。一個神經綱路是由一大群神經原高度連接而成, 而每一個神經原都能夠執行一些簡單的運算。在如此一個綱路中, 每件工作是結合分布在整個綱路中所有神經原的動作而完成。這種結合式的運算是在一種高度平行計算下達成, 并且使此綱路有能力去快速解決復雜的問題。到目前為止有關於神經綱路的研究, 大部份集中在定理的探討和軟體模擬上, 無論如何, 要完成神經綱路做為快速的應用, 高速計算的硬體是必須的。我們樂於考慮使用心脈式架構去設計超大型積體電路系統, 因為如此的架構有以下的特點: 同步性、規則性, 暫時的鄰近區域連接性, 和線性管路傳送速率。因此, 希望去找尋心脈式架構以實現神經綱路模組。雖然貢三元等先生已提出的心脈式架構, 可以用來實現一些不同的神經綱路模組, 但這些架構卻需要有螺旋( 球型 )通信鏈路, 這對於超大型積體電路的實現而言是一種缺點。本論文, 我們提出一些新的超大型積體電路, 不帶有螺旋通信鏈路的心脈式陣列用來實現Hopfield神經綱路模組及一種多層的神經網路模組。用來做為hopfield神經網路和多層神經網路搜尋級所提出的兩個陣列, 在同時處理兩組未知的樣型向量下, 有百分之百的利用效率。對於后者的陣列而言, 平均的輸出率為每M(N+1)的時鐘脈衝產生一組輸出, 其中M 是階層的數目, 而N 是每一層神經原的數目。用來做為多層順向神經綱路學習級所提出的陣列是以Meir和Domany兩位先生的提出的重覆學習法則為基礎。只要稍微的改變, 此學習級陣列也可用來做為搜尋級使用。此陣列可以同時處理P 個不同的未知樣型向量, 其中P 是在學習級時用來訓練用的樣型向量數目。