發明背景與現有技術
應用背景
深度學習已經在圖像分類檢測、遊戲等諸多領域取得了突破性的成績。由於人工神經網絡計算量大，訓練時間長。因此，相關的硬件加速平臺也在百花齊放，包括基於英偉達的GPU、谷歌的TPU、以及FPGA實現的神經網絡硬件平臺。神經網絡的結構復雜多樣、計算量大的特點，給硬件設計帶來了巨大挑戰。
原有技術及問題
（1）傳統神經網絡
基於傳統的CPU完成運算，缺點是神經網路的神經元眾多，由於單機的CPU個數限制，整個網絡的並行計算性能不高。
（2）硬件加速神經網絡
通常基於FPGA 等可編程芯片，這樣的神經網絡運算能力強，並行性好。但是這樣的神經網絡，其硬件實現的底層神經元缺乏自適應學習和演化能力。

本發明技術方案
神經網絡互連模型
如右圖，每一個方塊表示一個神經元，以二維硬件模型（如FPGA）為例，每一個神經元連接著另外四個神經元。整個模型有三類輸入輸出：
（1）任意輸入，每一個輸入連接到一個神經元上；
（2）任意輸出，每一個輸出連接到一個神經元上；
（3）獎勵反饋輸入，連接到所有神經元上。
此外，兩個相連神經元之間的連接為一個或多個浮點數（用以記憶神經網絡參數）存儲單元。
神經元，內部是一個多層神經網絡的結構，帶有自適應學習和演化能力
（1）多層神經網絡有五個輸入：分別表示四個連接存儲單元的大小和一個獎勵反饋信號的大小；
（2）多層神經網絡有四個輸出：四個連接存儲單元的變化率；
（3）使用優化算法（如遺傳算法、強化學習或者策略梯度）來優化神經網絡的權重以最大化長時平均獎勵（一段時間的平均獎勵）
（4）優化的每一個叠代使用多種不同常用機器學習問題來進行訓練。監督學習和無監督學習都需要提前轉化為強化學習問題

本發明的技術保護點
本文提出神經元探索系統設計方法，包括神經網絡互連模型，帶有自適應學習和演化能力的神經元設計等

本發明有益效果
解決問題
1）神經元具備自適應學習和演化能力，可以構建結構復雜多樣的神經網絡。

一種神經元探索系統方法及裝置