阅读说明：本技术 用于利用尖峰神经网络生成贝叶斯推断的方法、设备和系统 (Method, apparatus and system for generating Bayesian inferences with spiking neural networks ) 是由 A·保尔 N·斯里尼瓦萨 于 2018-02-23 设计创作，主要内容包括：用于利用尖峰神经网络执行贝叶斯推断的技术和机制。在实施例中,尖峰神经网络的父节点接收周期性的第一偏置信号。父节点将似然性信号传递到子节点,其中,父节点和子节点分别与第一条件和第二条件对应。基于被施加于第一偏置信号的相位变化,似然性信号指示第一条件的概率。子节点还接收指示第二条件的实例的信号；基于该指示和第二偏置信号,子节点用信号向父节点通知要对施加于第一偏置信号的相位变化作出调节。在该调节之后,似然性信号指示第一条件的经更新的概率。(Techniques and mechanisms for performing bayesian inference using spiking neural networks. In an embodiment, a parent node of a spiking neural network receives a periodic first bias signal. The parent node communicates the likelihood signal to the child node, wherein the parent node and the child node correspond to the first condition and the second condition, respectively. The likelihood signal indicates a probability of the first condition based on a phase change applied to the first bias signal. The child node also receives a signal indicating an instance of a second condition; based on the indication and the second bias signal, the child node signals to the parent node that an adjustment is to be made to the phase change applied to the first bias signal. After the adjusting, the likelihood signal indicates an updated probability of the first condition.)

具体实施方式

本文中讨论的实施例以各种方式提供用于利用尖峰神经网络来确定条件似然性信息的技术和机制，其中，所确定的条件似然性表示用于生成贝叶斯推断的贝叶斯网络的对应概率。与尖峰神经网络相关联的神经图形模型的各种实施例基于神经振荡之间的相互作用。神经元各自表示相应的感兴趣变量，而它们的突触连接表示这些变量之间的条件依赖性结构。尖峰活动振荡，并且振荡的幅度表示对应的概率。当在图的叶节点中的一些节点处观察到随机变量(的子集)时，证据作为等效相移从叶节点向中心节点传播；传播波和相移的组合对贯穿图的神经元的振荡进行调制，并由此对贝叶斯网络的对应概率进行调制以生成贝叶斯推断。尖峰神经网络的多个节点各自可表示或以其他方式对应于相应条件，这些相应条件例如包括在尖峰神经网络本地的条件或尖峰神经网络要评估的系统的条件。对于给定节点，对应条件可导致信号由那个节点接收(或从那个节点传递)。例如，给定节点可配置成接收信号，并且识别出信号的预定义的模式和/或时序用于指示那个节点所对应的条件的实例。在一些实施例中，尖峰神经网络用于执行一个或多个贝叶斯推断操作——例如，其中多个节点中的一些或全部节点各自都与贝叶斯网络的相应条件(或“变量”)对应。如本文中所使用，“贝叶斯推断”和“贝叶斯推断操作”以各种方式指改变值、信号特性和/或其他系统状态以指示贝叶斯网络的条件的经更新的概率的处理。此类经更新的概率可在贝叶斯网络后续优先于一个或多个其他此类条件而选择一个条件时被使用——例如，其中贝叶斯推断操作进一步包括此类选择。

尖峰神经网络的多个节点各自可接收相应的偏置信号，该偏置信号的至少某个分量是正弦的或以其他方式随时间周期性地变化。此类多个节点各自可接收同一偏置信号，或者替代地，多个节点中的一些节点或全部节点各自可接收各自不同的偏置信号。在实施例中，一些或所有此类偏置信号的周期性分量各自具有相同频率。基于此类偏置，多个节点能以各种方式呈现出相对于彼此的共振——例如，在节点的相应膜电位和/或突触信令方面。节点之间的此类共振可基于节点彼此的耦合，并且进一步基于以各种方式提供给节点的一个或多个偏置信号的共频分量。

两个给定节点的相应节点类型——在本文中称为“父节点”类型和“子节点”类型——可至少部分第基于所述节点之间的功能关系。对于给定的第一节点和第二节点，第一节点可充当相对于第二节点的父节点，其中第二节点(进而)充当相对于第一节点的子节点。父节点表示(以给定概率)在因果上先于由相应的子节点表示的实体或事件的事件、实体和/或状态。在一些实施例中，给定节点是相对于一个节点的子节点，同时是相对于另一节点的父节点。替代地或附加地，节点可以是针对多个相应子节点中的每个子节点的父节点，和/或子节点可以是针对多个相应父节点中的每个父节点的子节点。在尖峰神经网络的操作期间，父节点可向相应的子节点发送在本文中称为“似然性信号”的信号。替代地或附加地，子节点可向父节点发送在本文中称为“调节信号”的另一信号。

如本文中所使用，“似然性信号”是指从父节点传递到子节点的信号，其中，该信号的特性指示父节点所对应的条件的似然性(例如，当前概率)。此类信号特性可包括例如至少一些信号尖峰或似然性信号的其他分量的率(例如，频率)、幅度、预定义模式和/或(例如，相对于某个参考时间的)时序。例如，节点可提供似然性信号，该似然性信号在指示一些时间段期间包括周期性分量，该周期性分量至少部分地基于那个节点的偏置信号的周期性特性。周期性分量可进一步基于由那个节点从相应的父节点接收的一个或多个其他似然性信号(这一个或多个其他似然性信号各自包括相应的周期性分量)。在一个实施例中，此类似然性信号的“率-幅度”特性指示那个节点所对应的特性的似然性。

如本文中所使用，“率-幅度”是指具有在至少一些时间段期间变化的某个尖峰的率(“或尖峰率”)的信号的特性。尖峰率可以是基于在采样窗口的时间段内发生的信号尖峰的数量的移动平均率。尖峰的率可包括在第一信号尖峰的率与第二信号尖峰之间振荡或以其他方式变化的周期性分量。对于给定的时间段，此类信号的率-幅度是由信号的尖峰率导致的变化的幅度。

如文本中所使用，“调节信号”在本文中是指从子节点传递到父节点的、用于指示父节点将调节被提供给那个父节点的偏置信号的相位的信号。父节点可配置成接收调节信号，并意识到调节信号的某个预定义的尖峰模式、时序和/或其他特性用于指定或以其他方式指示对施加到偏置信号的相位变化的值的调节。此类调节信号可至少部分地基于子节点所对应的条件的当前概率。该概率可通过子节点处的膜电位的特性(诸如，率-幅度)来指示——例如，其中该特性基于被施加到子节点处的偏置信号的相位变化(如果有的话)。在一些实施例中，给定第二条件，调节信号进一步至少部分地基于第一条件的条件概率(其中，第一条件和第二条件分别与子节点和父节点对应)。该条件概率可由指派给突触的权重来指示，子节点通过该突触接收似然性信号。调节信号可基于子节点接收到相应的“实例信号”而从那个子节点被传递到父节点。

如文本中所使用，“实例信号”是指被提供给节点以指示该节点所对应的条件的实例的信号。例如，可由节点从在尖峰神经网络外部的源接收实例信号。替代地，可基于尖峰神经网络的一个或多个其他节点的操作来生成实例信号。响应于实例信号，进行接收的节点可将一个或多个调节信号各自传递到相应的父节点。

本文中描述的技术可以在一个或多个电子设备中实现。可以利用本文中描述的技术的电子设备的非限制性示例包括任何种类的移动设备和/或固定式设备，诸如，相机、蜂窝电话、计算机终端、台式计算机、电子阅读器、传真机、自动服务机、膝上型计算机、上网本计算机、笔记本计算机、互联网设备、支付终端、个人数字助理、媒体播放器和/或记录器、服务器(例如，刀片服务器，机架安装服务器，其组合等)、机顶盒、智能手机、平板个人计算机、超移动个人计算机、有线电话、其组合等。更一般地，本文中描述的技术可以在包括尖峰神经网络的各种电子设备中的任何一种中采用。

在一些实施例中，尖峰神经网络的节点可以是带泄漏积分和激发(LIF)类型的，例如，其中，基于在给定节点j处接收到的一个或多个尖峰信号，那个节点j的膜电位v_m的值可达到尖峰，然后随时间衰减。此类膜电位v_m的尖峰和衰减行为可以例如根据以下公式：

其中v_静息是膜电位v_m所要达到的静息电位，τ_m是针对膜电势v_m的指数衰减的时间常数，w_ij是从另一个节点i到节点j的突触的突触权重，I_ij是经由所述突触传递到节点j的尖峰信号(或“尖峰序列”)，并且J_b是例如基于从某个外部节点/源提供给节点j的偏置电流或其他信号的值。尖峰神经网络可基于预定义的阈值电压V_阈值进行操作，其中节点j被配置为响应于其膜电位v_m大于V_阈值而输出信号尖峰。

图1图示简化的神经网络100的示例图，其提供了第一组节点110(例如，神经元)与第二组节点130(例如，神经元)之间的连接120的图示。神经网络中的一些或全部(诸如，简化的神经网络100)可以被组织为多个层——例如，包括输入层和输出层。将会理解，简化的神经网络100仅描绘了两个层和少量节点，但是其他形式的神经网络可包括大量的以各种方式配置的节点、层、连接和路径。例如，神经网络可以是单片式的单个层，具有表示层的节点以各种方式表示的相应条件之间的因果联系强度的任意的连接图。

被提供到神经网络100中的数据可以首先由输入神经元的突触来处理。输入、神经元的突触和神经元本身之间的相互作用决定是否经由轴突将输出提供给另一个神经元的突触。对突触、神经元、轴突等的建模能以各种方式完成。在示例中，神经形态硬件包括合成神经元中的多个单独的处理元件(例如，神经核)以及用于将输出传递到其他神经元的消息接发结构。确定特定神经元是否“激发”以向进一步被连接的神经元提供数据取决于由该神经元施加的激活函数和从(例如，位于第一组节点110的层中的)神经元i到(例如，位于第二组节点130的层中的)神经元j的突触连接(例如，w_ij)的权重。由神经元i接收的输入被描绘为值x_i，并且从神经元j产生的输出被描绘为值y_j。因此，在神经网络中进行的处理基于在神经网络的神经元、突触与其他元件之间执行的加权连接、阈值和评估。

在示例中，神经网络100由尖峰神经网络核的网络建立，其中神经网络核经由从核发送到核的短分组化的(packetized)尖峰消息进行通信。例如，每个神经网络核可以将某个数量的基元非线性时域计算元件实现为神经元，使得当神经元的激活超出某个阈值水平时，该神经元生成尖峰消息，该尖峰消息被传播到目的地核中所包含的扇出神经元的固定集合。网络可将尖峰消息分发到所有目的地神经元，并且作为响应，那些神经元以瞬态、依赖于时间的方式更新它们的激活，类似于真实的生物神经元的操作。

神经网络100进一步示出在第一组神经元中的神经元i(例如，第一组节点110中的神经元)处接收由值x_i表示的尖峰。神经网络100的输出还被示为由值y_j表示的尖峰，该尖峰经由由连接120建立的路径到达第二组神经元中的神经元j(例如，第一组节点110中的神经元)。在尖峰神经网络中，所有通信发生在事件驱动的动作电位或尖峰上。在示例中，尖峰不传达除尖峰时间以及源和目的地神经元对之外的其他信息。作为使用实值状态变量对加权尖峰输入的动态非线性积分的结果，计算能以各种方式在每个相应神经元中发生。由特定神经元生成或为特定神经元生成的尖峰的时域序列可以称为该特定神经元的“尖峰序列”。

在尖峰神经网络的示例中，激活函数经由尖峰序列发生，这意味着时间是必需被考虑的因素。此外，在尖峰神经网络中，每个神经元可提供与生物神经元的功能类似的功能，因为人工神经元经由至一个或多个“树突”(生物神经元的物理结构的部分)的突触连接接收该人工神经元的输入，并且这些输入影响人工神经元“体细胞”(细胞体)的内部膜电位。在尖峰神经网络中，当人工神经元的膜电位跨越激发阈值时，该人工神经元“激发”(例如，产生输出尖峰)。因此，输入对尖峰神经网络神经元的影响起作用以增加或减小该神经元的内部膜电位，从而使该神经元更可能或更不可能激发。此外，在尖峰神经网络中，输入连接可以是刺激性或抑制性的。神经元的膜电位也可由神经元自身的内部状态(“泄漏”)的变化来影响。

图1还图示出尖峰神经网络中的示例推断路径140，诸如可以通过神经网络100的形式或其他形式的神经网络来实现。神经元的推断路径140包括突触前神经元142，其被配置为产生表示尖峰输入的突触前尖峰序列x_i。尖峰序列是离散尖峰事件的时间序列，其提供指定神经元在何时激发的一组时间。

如图所示，尖峰序列x_i由突触之前的神经元(例如，神经元142)产生，并且根据突触144的特性评估尖峰序列x_i以进行处理。例如，突触可应用一个或多个权重，例如权重w_jj，这些权重在评估来自尖峰序列x_i的数据时被使用。来自尖峰序列x_i的输入尖峰进入突触，诸如，具有权重w_jj的突触144。该权重对突触前尖峰对突触后神经元(例如，神经元146)的影响进行缩放。如果所有输入连接对突触后神经元的积分贡献超过阈值，则突触后神经元146将激发并产生尖峰。如图所示，y_j是由突触之后的神经元(例如，神经元146)响应于某个数量的输入连接而产生的突触后尖峰序列。如图所示，突触后尖峰序列y_j从神经元146分布到其他突触后神经元。

图2A示出根据实施例的用于实现贝叶斯推断操作的尖峰神经网络200的特征。图2A还包括图例201，该图例201示出用于网络节点、偏置信号、似然性信号、实例信号和调节信号的相应符号。尖峰神经网络200是如下实施例的一个示例：在其中，父节点将似然性信号传递到相应的子节点，该子节点后续往回用信号向父节点通知要对偏置电流作出相位调节。尖峰神经网络200可包括例如神经网络100的特征中的一些特征或全部特征。

如图2A中所示，尖峰神经网络200包括经由突触以各种方式耦合到彼此的多个节点，多个节点各自用于接收相应的偏置信号，这些偏置信号是正弦的或以其他方式是周期性的。作为说明而非限制，网络200的节点210、220、230能以各种方式接收相应的偏置信号212、222、232。至少部分地基于此类偏置信号，多个节点可例如至少相对于突触信令和/或多个节点的相应膜电位来以各种方式呈现共振耦合。例如，节点210、220、230处的相应信号各自可在第一频率处至少呈现一些共振。此类共振耦合可促进通过使用将相位变化施加于偏置信号来表示概率。

在示出的示例实施例中，节点210和节点230用于相对于彼此分别充当父节点和子节点。节点210进一步经耦合以接收各自都来自尖峰神经网络的相应的其他节点(诸如，节点220)的一个或多个似然性信号224——例如，其中，节点210还用于充当对于每个其他此类节点的子节点。节点210可将变化施加于偏置信号212，其中，相位变化(和/或基于该相位变化的信号)指示节点210所对应的条件的概率。在此类实施例中，节点210基于偏置信号212(以及基于施加于其的任何相位变化)并进一步基于一个或多个似然性信号224来生成似然性信号218。可例如从常规的有泄漏积分和激发(LIF)神经元技术适配用于生成似然性信号218的信号尖峰的一个或多个操作。似然性信号218的周期性分量可基于相位经调节的偏置信号212以及多个节点彼此的共振耦合两者。此类周期性分量(例如，包括率-幅度)的特性可表示或以其他方式指示节点210所对应的条件的概率。似然性信号218可被传递至一个或多个子节点，在该示例中，该一个或多个子节点包括节点230。

节点230可配置成利用调节信号234来指示要对节点210施加于偏置信号212的相位变化作出的调节(如果有)。节点230的膜电压可基于偏置信号232来生成——例如，其中膜电压的周期性分量基于节点230施加于偏置信号232的相位变化(如果有)。在其中节点230还充当相对于其他某一个或多个节点的父节点的实施例中，施加于偏置信号232的此类相位变化可基于各自由节点230从这一个或多个其他节点接收的一个或多个其他调节信号(未示出)。

节点230可进一步经耦合以接收实例信号236，该示例信号236指示节点230所对应的条件的实例。实例信号236可例如从尖峰神经网络200外部的某个传感器、测试单元或其他源(或者替代地，从尖峰神经网络200的某个其他节点)提供。一些实施例不限于相对于从其接收到实例信号236的特定源。基于由实例信号236提供的指示，节点230可(经由调节信号234)指示要对偏置信号212调节的相位变化的量。基于调节信号234，节点210可调节对偏置信号212的相位变化。此类调节可包括确定是否要将变化施加于偏置信号212的相位，确定要改变的相位的量，和/或确定是否要调节相位变化的量。对节点210处的相位变化的此类调节可导致似然性信号218针对节点210所对应的条件的概率指示不同值。结果，尖峰神经网络200可实现改变一个或多个概率的相应值的贝叶斯推断操作。

虽然一些实施例不限于这方面，但是节点210可进一步经耦合以接收各自都来自相应的其他子节点的一个或多个其他调节信号(未示出)——例如，其中，似然性信号218还被传递至每个其他此类子节点。在此类实施例中，施加于偏置信号212的相位变化可进一步基于一个或多个其他此类调节信号被调节。

图2B示出根据实施例的各自都参与贝叶斯推断操作的尖峰神经网络节点240、250的特征。在图2B中，示出的功能块各自表示用于提供其对应功能的相应电路、执行软件和/或其他逻辑。节点240、250可包括例如节点210、230的相应特征。

就彼此的操作而言，节点240、250用于分别充当父节点和子节点。节点240、250可分别对应于条件A和对应于条件B，该条件B具有对条件A的至少一些依赖性。条件A、条件B可以是利用尖峰神经网络实现的贝叶斯网络的相应参数。

此类尖峰神经网络可根据贝叶斯网络设计来初始化，该贝叶斯网络设计对于多个节点中的每个给定节点定义那个给定节点将对应的条件的初始概率。此类概率可至少部分地基于给定节点要施加于相应的偏置电流的相位变化而被指示。对于多个节点中的每个子节点，贝叶斯网络设计可定义给定那个子节点的相应父节点所对应的另一条件情况下那个子节点所对应的条件的相应的条件概率。此类条件概率可例如由指派给突触的权重来指示，子节点通过该突触接收似然性信号。给定初始化状态的特定概率值可基于常规贝叶斯网络设计技术来确定，并且不限于一些实施例。

参考节点240，可在块242处接收周期性偏置信号J_a，功能框242将相位变化φ_a施加于该周期性偏置信号J_a。在给定时刻，相位变化φ_a的量可基于各自从相应的子节点被传递到节点240的一个或多个调节信号(诸如，示出的说明性调节信号C_ba)。偏置信号J_a的相位变化的版本可被提供给另一块246，该另一块246例如基于各自来自相应的其他节点(未示出)的一个或多个似然性信号。作为说明而非限制，节点240可从充当相对于节点240的父节点的另一节点接收似然性信号L_x1a。(被指派给节点240通过其接收L_x1a的突触的)权重w_x1a 244可由节点240施加于L_x1a。

块246可将膜电压V_m-a生成为偏置信号J_a的、施加于其的相位变化φ_a的、以及似然性信号L_x1a(例如，如通过w_x1a加权)的函数f_a。函数f_a的一些特征可例如从用于生成尖峰信号的各种有泄漏积分和激发(LIF)技术中的任何技术适配——例如，其中函数f_a包括本文中描述的等式(1)的特征。节点240的另一块248可基于膜电压V_m-a生成似然性信号L_a。

例如，块248可响应于V_m-a跨越或以其他方式达到V_th-a而生成似然性信号L_a的一个或多个尖峰。似然性信号L_a的率-幅度和/或(多个)其他特性可指示节点240所对应的条件A的当前概率。信号L_a可被发送到节点250(并且在一些实施例中，被发送到对于节点240的一个或多个其他子节点)。随后，节点250可将调节信号C_ba传递到节点240，该调节信号C_ba指示要调节的相位变化φ_a的量。相位变化φ_a的此类调节可导致似然性信号L_a后续指示条件A的概率的经更新的值。

例如，节点254可将突触权重w_ba 254施加于似然性信号L_a。此外，节点250可接收偏置信号(未示出)(诸如，偏置信号232)并将相位变化φ_b252施加于该偏置信号。在此类实施例中，调节信号C_ba可至少部分地基于相位变化φ_b 252和突触权重w_ba 254而被生成——例如，其中块256基于由突触权重w_ba 254和相位变化φ_b 252指示的相应的概率来确定缩放因子β_ba。注意，在一些实施例中，调节信号C_ba可独立于似然性信号L_a。

突触权重w_ba 254的值可表示或以其他方式指示给定条件A情况下条件B的条件概率P(B|A)。替代地或附加地，相位变化φ_b 252可指示条件B的概率P(B)。此类概率P(B)和P(B|A)的初始值可作为尖峰神经网络的初始化状态的部分被预定义。在节点250也是对于一个或多个其他节点的父节点的情况下，后续在尖峰神经网络的操作期间可更新P(B)——例如，其中条件概率P(B|A)是固定值(如对应的突触权重w_ba 254)。P(B)的任何此类更新可包括使用与用于更新相位变化φ_a的那些技术类似的技术来调节相位变化φ_b 252的量。

在一个实施例中，块256将缩放因子β_ba的值确定为比率{P(B|A)/P(A)}的函数——例如，根据以下函数：

β_ba＝[{P(B|A)/P(A)}–1] (2)

在此类实施例中，缩放因子β_ba指示条件A与条件B之间的关联性(依赖性)为正还是为负。基于此类相关性，调节信号C_ba可用信号通知相位变化φ_a要增加还是减小。

块256可将缩放因子β_ba的值传递到节点250的另一块258——例如，其中块258基于β_ba生成调节信号C_ba。例如，调节信号C_ba可指示或以其他方式基于等于乘积[β_ba]·[Δφ_ba]的值，其中，Δφ_ba是与相位变化φ_a和节点250所对应的条件B的给定实例两者对应的相位调节值。Δφ_ba的值可与P(A)要响应于P(B)的给定实例而变化的递增量对应。例如，Δφ_ba的值可基于作为贝叶斯网络设计的部分的初始定义的参数。在一个实施例中，Δφ_ba的值例如，基于用于指示条件B的实例的实例信号N_b是可变的。例如，在任何给定时刻Δφ_ba的值可表示或以其他方式指示实例信号N_b的检测到的强度(例如，信号尖峰率)。在其他实施例中，Δφ_ba的值指示或以其他方式基于相位变化φ_a的最大可允许值、相位变化φ_a的最大可允许值的范围，等等。节点250可预配置成将C_ba的预定义的模式、时序和/或其他特性识别为指示要调节的相位变化φ_ba的量。

相应地，节点240可基于相位变化φ_b 252和权重w_ba 254两者来生成调节信号C_ba，其中，权重w_ba 254指示P(B|A)，并且其中，基于相位变化φ_b 252，节点240的膜电压(和/或来自节点240的似然性信号L_b(未示出))指示P(B)。例如，调节信号可基于C_ba可基于缩放因子β_ba和相位调节值Δφ_ba。虽然一些实施例不限于这方面，但是节点240可进一步耦合到也接收似然性信号L_a的某个其他子节点(未示出)——例如，其中其他子节点与条件C对应。

在此类实施例中，该其他子节点可包括附加的电路和/或软件，以基于(那个子节点施加于偏置信号的)相位变化φ_c和那个子节点施加于似然性信号L_a的权重w_ca来以类似方式生成另一调节信号C_ca。权重w_ca可指示概率P(C|A)——例如，其中基于相位变化φ_c，那个其他子节点的膜电压(和/或来自那个其他子节点的似然性信号L_c)指示P(C)。调节信号C_ca可基于缩放因子β_ca和相位调节值Δφ_ca，该相位调节值Δφ_ca具有例如缩放因子β_ba和相位调节值Δφ_ba的相应特征。块242可经耦合以进一步接收该调节信号C_ca，其中，块242用于基于由调节信号C_ca指示的调节值来进一步调节相位变化φ_a。虽然一些实施例不限于这方面，但是还可在尖峰神经网络的操作期间调节相位变化φ_b 252的量——例如，其中此类调节基于与导致相位变化φ_a被调节的那些信号交换类似的信号交换。

相位变化φ_a可限于某个预定义的可允许值的范围。此类相位变化φ_a的有限范围可例如由节点210实施。在实施例中，相位变化φ_a被允许变化等于或小于pi(π)弧度的量——例如，其中相位变化φ_a总是在0至π的范围内(或例如在-π/2值π/2的范围内)。在一些实施例中，此类相位变化被允许变化等于或小于0.8π弧度的量——例如，其中该量等于或小于0.7π。相位变化φ_a的更有限的范围(例如，0.1π至0.9π的范围)可促进对相位变化φ_a的多个同时调节(每个此类调节基于相应的调节信号)与由似然性信号L_a指示的概率的对应变化之间相对更具线性的关系。结果，概率的同时变化(每一个都响应于相应的不同子节点)可更具线性地添加到彼此(或彼此更具线性地偏移)。

图3示出根据实施例的用于操作尖峰神经网络的方法300的特征。方法300可利用尖峰神经网络100、200中的一个来执行——例如，其中方法300包括在节点240与节点240之间传递一个或多个信号。为了说明各实施例的某些特征，本文中参照图4中示出的尖峰神经网络400来描述方法300。然而，此类描述可扩展以应用于配置成用于调节对偏置电流的相位变化的各种不同的尖峰神经网络中的任何尖峰神经网络，其中，基于相位变化，节点的似然性信号的膜电压指示那个节点所对应的条件的概率。

方法300可包括：(在310处)分别在尖峰神经网络的第一节点和第二节点处接收第一偏置信号和第二偏置信号。第一节点可与第一条件对应，其中，第二节点与第二条件对应，该第二条件例如具有与第一条件的依赖性关系。现在参考图4，尖峰神经网络400可配置成根据实施例执行贝叶斯推断操作。尖峰神经网络400可包括例如神经网络200的特征中的一些特征或全部特征。尖峰神经网络400是以下实施例的一个示例：其中多个节点各自用于接收相应偏置信号的实施例的一个示例，其中突触以各种方式耦合在各自都与贝叶斯网络的相应的依赖性关系对应的多个节点中的相应节点之间。多个节点的共振耦合可促进将相位变化施加于偏置信号，作为用于确定(例如，包括更新)给定变量的概率的机制。

在图4中，尖峰神经网络400包括各自都与贝叶斯网络的相应条件(参数)对应的节点410、412、414、416、418。如由示例实施例所图示，贝叶斯网络可包括条件，通过这些条件可作出关于房屋或其他住宅地产的确定。例如，节点410可与条件G“垃圾可被翻动”对应——例如，其中节点412与条件D“狗叫”对应，并且节点414与条件W“窗被打破”对应。节点416可与条件R“浣熊在地产上”对应——例如，其中节点418与条件B“窃贼在地产上”对应。在此类实施例中，节点410、412各自可以是对于节点416的相应子节点——例如，以反映依赖性关系，其中，条件R可导致条件G或条件D中的一者或这两者(并且可由导致条件G或条件D中的一者或这两者指示)。替代地或附加地，节点412、414各自可以是对于节点418的相应子节点——例如，以反映依赖性关系，其中，条件B可导致条件D或条件W中的一者或这两者(并且可由导致条件D或条件W中的一者或这两者指示)。节点410、412、414、416、418中的相应节点之间的不同的父-子节点依赖性关系可由以各种方式被耦合以传递似然性信号430、432、434、436的相应突触来表示。在一些实施例中，似然性信号430、432彼此相等，和/或似然性信号434、436彼此相等。

虽然一些实施例不限于这方面，但是方法300可进一步包括：优先于贝叶斯网络的一个或多个其他条件来选择贝叶斯网络的一个条件，其中，该选择基于360处的调节。例如，耦合至尖峰神经网络(或替代地，耦合至尖峰神经网络的部分)的评估逻辑可接收各自都来自尖峰神经网络的相应的不同节点的似然性信号。在此类实施例中，该选择可包括：检测所接收的似然性信号中的一个似然性信号是否满足一个或多个预定义的测试标准。作为说明而非限制，此类测试标准(例如，包括最小阈值概率值、两个概率值之间的最小阈值差等)可定义与给定的似然性信号对应的条件何时被认为是充分可能的(其单独地，或替代地相关于一个或其他条件的概率)以证明对那个条件的选择的正当性。响应于检测到所接收的似然性信号中的一个似然性信号满足测试标准，评估逻辑可生成指示对与提供该似然性信号的节点对应的条件的选择的信号。

再次参考图4，一个或多个附加的突触信号(诸如，示出的说明性信号450、452)可用信号向网络400的其他节点通知(或用信号向网络400外部的评估电路通知)至少在某个阈值概率上，条件R、B中的特定的一个条件的实例是否被指示。信号450、452的评估可检测由节点416、418中的一个节点指示的概率是否满足一个或多个测试标准。例如，此类测试可检测P(R)或P(B)中的一个是否高于某个最小阈值概率值。替代地或附加地，此类测试可检测值[P(R)–P(B)]或[P(B)–P(R)]中的一个值是否高于某个最小阈值概率差值。响应于此类检测，评估电路可输出或以其他方式生成指示对节点416、418中的一个节点的选择(并因此指示对那个节点所对应的条件的选择)的信号。

再次参考方法300，在310处的接收可包括节点410、412、414、416、418接收各自都是正弦的或以其他方式是周期性的相应的偏置信号J_bg、J_bd、J_bw、J_br、J_bb。例如，偏置信号J_bg、J_bd、J_bw、J_br、J_bb中的每一个偏置信号可具有相同的频率ω。方法300可进一步包括：(在320处)将变化施加于第一偏置信号的相位。例如，尖峰神经网络400的初始配置可包括或以其他方式基于条件G、D、W、R和B的概率P(G)、P(D)、P(W)、P(R)和P(B)的相应的预定义的初始值。例如，P(R)可由似然性信号430或节点416处的膜电压的率-幅度(或其他特性)指示。该P(R)的指示可至少部分地基于节点416要施加于偏置信号J_br的相位变化。类似地，P(B)可由似然性信号430或节点416处的膜电压的特性指示——例如，其中，P(B)的此类指示至少部分地基于节点418要施加于偏置信号J_bb的相位变化。在此类实施例中，由节点410的膜电压对P(G)的指示可基于节点410要施加于偏置信号J_bg的相位变化——例如，其中由节点412的膜电压对P(D)的指示基于节点412要施加于偏置信号J_bd的相位变化。类似地，由节点414的膜电压对P(W)的指示可基于节点414要施加于偏置信号J_bw的相位变化。

尖峰神经网络400的初始配置可进一步包括或以其他方式基于条件概率P(G|R)、P(D|R)、P(D|B)和P(W|B)。例如，P(G|R)可由节点410要施加于似然性信号430的突触权重表示或以其他方式指示——例如，其中，P(D|R)由节点412要施加于似然性信号432的突触权重指示。类似地，P(D|R)可由节点412要施加于似然性信号434的突触权重指示——例如，其中，P(W|B)由节点414要施加于似然性信号436的突触权重指示。可基于预定义的贝叶斯网络设计，先验地将一些或所有此类概率提供为输入参数。尖峰神经网络的操作可通过基于一个或多个实例信号调节对偏置信号的相位变化来用信号通知给定概率的变化。

在尖峰神经网络400的初始化状态期间，相同的相位变化(如果有)可同时被施加于J_bg、J_bd、J_bw、J_br、J_bb中的每一个——例如，其中，节点410、412、414、416、418呈现某个基线(例如，同相)耦合共振状态。结果，P(R)和P(B)至少在最初可彼此相等，P(G)、P(D)和P(W)至少在最初可彼此相等，等等。

在实施例中，方法300进一步包括：(在330处)响应于第一偏置信号的相位的变化，将第三信号(似然性信号)从第一节点传递到第二节点。基于该变化，第三信号指示第一条件的似然性。第三信号的特性(诸如，率-幅度)可指示第一条件的似然性。再次参考尖峰神经网络400，在330处的传递可包括：节点416传递似然性信号430、432中的一者或两者，和/或节点418传递似然性信号434、436中的一者或两者。

方法300可进一步包括：(在340处)在第二节点处接收指示第二条件的实例的信号(实例信号)。作为说明而非限制，实例信号420、422、424可(分别)被传递到节点410、412、414。节点410可配置成将实例信号420的尖峰模式、时序和/或其他特性识别为指示条件G的实例的实例信号420。类似地，实例信号422的特性可向节点412指示条件D的实例，和/或实例信号424的特性可向节点414指示条件W的实例。

响应于第二条件的实例，方法300(在350处)可将第四信号(和调节信号)从第二节点传递到第一节点，该第四信号(和调节信号)基于第二偏置信号。第四信号可进一步基于给定第一条件情况下第二条件的条件概率。例如，第三信号可经由耦合在第一节点与第二节点之间的突触被传递，其中，被指派给突触的权重指示给定第一条件情况下第二条件的条件概率。在一些实施例中，第四信号基于第二条件的条件概率相比概率的比率。

再次参考尖峰神经网络400，在350处的传递可包括：节点410发送调节信号440，节点412发送调节信号442、444中的一者或这两者，和/或节点414发送调节信号446。调节信号440、442、444、446中的一些或全部的生成可包括诸如在例如350处执行的那些操作之类的操作。

基于第四信号，方法300(在360处)可调节第一偏置信号的相位的变化量。例如，节点416可例如基于调节信号440、442中的一者或两者来调节施加于偏置信号J_br的相位变化量。替代地或附加地，节点418可例如基于调节信号444、446中的一者或两者来调节施加于偏置信号J_bb的相位变化量。响应于对相位变化的此类调节，可更改似然性信号430、432、434、436中的一个的特性，由此指示条件R的概率的变化或条件B的概率的变化。

虽然一些实施例不限于这方面，但是一个或多个其他节点(除第二节点之外)可各自充当第一节点的子节点。在此类实施例中，方法300可进一步包括：在与第三条件对应的某个第三节点处接收第三偏置信号；以及将第三偏置信号从第一节点传递到第三节点。例如，尖峰神经网络400的节点416、410、412可以(分别)是第一节点、第二节点和第三节点——例如，其中，似然性信号430、432两者包括第三信号。在此类实施例中，方法300可进一步包括：在第三节点处接收指示第三条件的实例的信号(例如，实例信号422)。响应于第三条件的实例，第三节点可将第五信号(例如，调节信号442)传递到第一节点，该第五信号(例如，调节信号442)基于第三偏置信号(并基于施加于该第三偏置信号的任何相位变化)。随后，可进一步基于第五信号调节第一偏置信号的相位的变化量。在此类实施例中，基于第五信号调节第一偏置信号的相位的变化量可与作为操作360的结果的调节同时进行。

替代地或附加地，一个或多个其他节点(除第一节点之外)各自可充当第二节点的父节点。在此类实施例中，方法300可进一步包括：在与第三条件对应的某个第三节点处接收第三偏置信号；以及将变化施加于第三偏置信号的相位。例如，尖峰神经网络400的节点416、412、418可以(分别)是第一节点、第二节点和第三节点。在此类实施例中，方法300可进一步将第五信号(例如，似然性信号434)从第三节点传递到第二节点，其中，基于第三偏置信号(例如，J_bb)的相位的变化，第五信号指示第三条件的似然性(诸如，(B))。响应于第二条件的实例，第二节点可将第六信号(例如，调节信号444)传递到第三节点，该第六信号(例如，调节信号444)基于第二偏置信号。基于第六信号，第三节点可调节施加于第三偏置信号的相位的变化量。

在一些实施例中，第二节点还充当与第三条件对应的某个第三节点的父节点。在此类实施例中，方法300可进一步包括：在第三节点处接收第三偏置信号；以及将变化施加于第二偏置信号的相位。与在330处的通信类似，第二节点可将第五信号传递到第三节点，其中，基于第二偏置信号的相位的变化，第五信号指示第二条件的似然性。与在340处的接收以及在350处的传递类似，第三节点可接收指示第三条件的实例的信号，并且响应于第三条件的实例，可将第六信号传递到第二节点，该第六信号基于第三偏置信号。基于第六信号，第二节点可调节施加于第二偏置信号的相位的变化量。

图5示出时序图500、510、520、530，这些时序图以各种方式、各自相对于时间轴505图示在根据实施例的用于执行贝叶斯推断操作的操作期间的相应信号特性。可例如基于以各种方式利用节点240、250传递的相应信号在尖峰神经网络100、200、400中的一个尖峰神经网络处确定信号特性。时序图500、510、520、530中示出的各种比例(例如，针对时序、电压和频率)仅是一些实施例的说明，并且可根据实现方式特定的细节而异。

时序图500示出在诸如节点210、240、416、418中的一个节点之类的父节点处由膜电压Vm 502产生的尖峰。可由似然性信号提供相同的尖峰(或以其他方式对应的尖峰)，该似然性信号由父节点基于Vm 502而生成。尖峰可具有至少一些周期性分量，其中，周期性分量的幅度、波长和/或其他特性指示父节点所对应的条件的概率。例如，如由时序图510所图示，由膜电压Vm 502产生的尖峰的频率512可呈现振荡分量。频率512可以是在给定时间窗口内发生的尖峰的移动平均。

时序图520图示由频率512产生的振荡的幅度522(其中，幅度522是Vm 502的率-幅度)。如由时序图520所图示，幅度522在第一时间段期间可具有第一值(例如，4KHz)，该第一时间段例如包括示出的在时刻0与时刻6之间的时段。幅度522的第一值可基于在父节点处被施加于偏置信号的对应的相位变化量。

基于Vm 502的似然性信号可从父节点传递到子节点。随后，子节点可基于被提供给该子节点的实例信号来检测该子节点所对应的另一条件的实例。响应于此类实例，子节点可向父节点通信以调节被施加于偏置信号的相位变化量。例如，如时序图530中所示，子节点可传递调节信号C_b 532的尖峰模式534。响应于尖峰模式534，幅度522的值可以变化。在示出的示例场景中，幅度522的值在尖峰模式534的时刻之后增加到第二值(例如，13KHz)。幅度522的该可变值可指示父节点所对应的条件的当前概率。

图6图示根据一个实施例的计算设备600。计算设备600容纳板602。板602可包括多个组件，包括但不限于处理器604和至少一个通信芯片606。处理器604物理地以及电气地耦合至板602。在一些实现中，至少一个通信芯片606也物理地以及电气地耦合至板602。在进一步的实现中，通信芯片606是处理器604的部分。

取决于其应用，计算设备600可包括可物理地以及电气地耦合至板602或者可以不物理地以及电气地耦合至板602的其他组件。这些其他组件包括但不限于易失性存储器(例如，DRAM)、非易失性存储器(例如，ROM)、闪存、图形处理器、数字信号处理器、密码处理器、芯片组、天线、显示器、触摸屏显示器、触摸屏控制器、电池、音频编码解码器、视频编码解码器、功率放大器、全球定位系统(GPS)设备、指南针、加速度计、陀螺仪、扬声器、相机以及大容量存储设备(诸如，硬盘驱动器、紧凑盘(CD)、数字多功能盘(DVD)等等)。

通信芯片606启用无线通信以用于去往计算设备600和来自计算设备600的数据传输。术语“无线”和其衍生词可用于描述可通过使用经调制的电磁辐射来使数据传递通过非固态介质的电路、设备、系统、方法、技术、通信信道等。该术语不暗示相关联的设备不包含任何线，但是在一些实施例中，相关联的设备可以不包含任何线。通信芯片606可实现多种无线标准或协议中的任一种，这些无线标准或协议包括但不限于Wi-Fi(IEEE 802.11系列)、WiMAX(IEEE 802.16系列)、IEEE 802.20、长期演进(LTE)、Ev-DO、HSPA+、HSDPA+、HSUPA+、EDGE、GSM、GPRS、CDMA、TDMA、DECT、蓝牙及其衍生物以及称为3G、4G、5G以及更高世代的任何其他无线协议。计算设备600可包括多个通信芯片606。例如，第一通信芯片606可专用于较短程的无线通信，诸如，Wi-Fi和蓝牙；而第二通信芯片606可专用于较长程的无线通信，诸如，GPS、EDGE、GPRS、CDMA、WiMAX、LTE、Ev-DO等。

计算设备600的处理器604包括封装在处理器604内的集成电路管芯。术语“处理器”可以指处理来自寄存器和/或存储器的电子数据以将该电子数据转换成可存储于寄存器和/或存储器中的其他电子数据的任何设备或设备的部分。通信芯片606还包括封装在通信芯片606内的集成电路管芯。

在各种实现中，计算设备600可以是膝上型计算机、上网本、笔记本、超级本、智能手机、平板、个人数字助理(PDA)、超移动OC、移动电话、桌面计算机、服务器、打印机、扫描仪、监视器、机顶盒、娱乐控制单元、数码相机、便携式音乐播放器或数字视频记录仪。在进一步的实现中，计算设备600可以是处理数据的任何其他电子设备。

一些实施例可以作为计算机程序产品或软件来提供，该计算机程序产品或软件可以包括在其上存储有指令的机器可读介质，这些指令可以用来对计算机系统(或其他电子设备)编程以执行根据实施例的过程。机器可读介质包括用于存储或传输机器(例如，计算机)可读形式的信息的任何机制。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光学存储介质、闪存设备等)、机器(例如，计算机)可读传输介质(电、光、声或其他形式的传播信号(例如，红外信号、数字信号等))等。

图7图示计算机系统700的示例性形式的机器的图示性表示，在该计算机系统700内，可执行用于使机器执行本文中所描述的方法中的任何一个或多个的一组指令。在替代实施例中，可以在局域网(LAN)、内联网、外联网或因特网中将该机器连接(例如，联网)到其他机器。机器可以在客户机-服务器网络环境中作为服务器或客户机机器操作，或者在对等(或分布式)网络环境中作为对等机器操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、web设备、服务器、网络路由器、交换机或桥接器、或者能够执行指定由该机器执行的动作的一组指令(顺序的或以其他方式)的任何机器。进一步地，虽然仅图示出单个机器，但是，术语“机器”也应当被认为包括单独地或联合地执行一组(或多组)指令以执行本文中所描述的方法中的任何一种或多种方法的机器(例如，计算机)的任何集合。

示例性计算机系统700包括处理器702、主存储器704(例如，只读存储器(ROM)、闪存、动态随机存取存储器(DRAM)(诸如，同步DRAM(SDRAM)或Rambus DRAM(RDRAM)等)、静态存储器706(例如，闪存、静态随机存取存储器(SRAM)等)以及次存储器718(例如，数据存储设备)，它们经由总线730彼此进行通信。

处理器702表示一个或多个通用处理设备，诸如，微处理器、中央处理单元等。更具体而言，处理器702可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器、或实现指令集的组合的处理器。处理器702也可以是一个或多个专用处理设备，诸如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器等等。处理器702被配置为执行用于执行本文描述的操作的处理逻辑726。

计算机系统700可以进一步包括网络接口设备708。计算机系统700还可以包括视频显示单元710(例如，液晶显示器(LCD)、发光二极管显示器(LED)、或阴极射线管(CRT))、字母数字输入设备712(例如，键盘)、光标控制设备714(例如，鼠标)、以及信号生成设备716(例如，扬声器)。

次存储器718可包括其上存储有一组或多组指令集(例如，软件722)的机器可访问存储介质(或者更具体地，计算机可读存储介质)732，该一组或多组指令具体化本文描述的方法或功能中的任何一个或多个。在由计算机系统700对软件722的执行期间，该软件722也可完全或至少部分地驻留在主存储器704之内和/或处理器702之内；该主存储器704和处理器702也构成机器可读存储介质。可以进一步在网络720上经由网络接口设备708发送或接收软件722。

虽然机器可访问存储介质732在示例性实施例中被示出为单个介质，但术语“机器可读存储介质”应当视为包括存储一组或多组指令的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。还应当认为术语“机器可读存储介质”包括能够存储或编码由机器执行并且使该机器执行一个或多个实施例中的任何实施例的任何介质。术语“机器可读存储介质”应当相应地被认为包括但不限于固态存储器以及光和磁介质。

示例1时一种用于利用尖峰神经网络生成贝叶斯推断操作的计算机设备，该计算机设备包括电路，该电路用于：在尖峰神经网络的第一节点处接收第一偏置信号，其中，第一节点与贝叶斯网络的第一条件对应；在尖峰神经网络的第二节点处接收第二偏置信号，其中，第二节点与贝叶斯网络的第二条件对应；以及将变化施加于第一偏置信号的相位。该电路进一步用于：响应于第一偏置信号的相位的变化，将第三信号从第一节点传递到第二节点，其中，第三信号指示第一条件的似然性；在第二节点处接收指示第二条件的实例的信号；响应于第二条件的实例，将第四信号从第二节点传递到第一节点，该第四信号基于第二偏置信号；以及基于第四信号，调节第一偏置信号的相位的变化量。

在示例2中，示例1的主题任选地包括：其中，基于第一偏置信号的相位的变化，第三信号的尖峰率随时间变化，其中，由第三信号的尖峰率导致的变化的幅度指示第一条件的似然性。

在示例3中，示例1和示例2中的任何一项或多项的主题任选地包括：其中，第四信号进一步基于给定第一条件情况下第二条件的条件概率。

在示例4中，示例3的主题任选地包括：其中，第三信号经由耦合在第一节点与第二节点之间的突触被传递，其中，被指派给突触的权重指示给定第一条件情况下第二条件的条件概率。

在示例5中，示例3的主题任选地包括：其中，第四信号基于第二条件的条件概率相比概率的比率。

在示例6中，示例1和示例2中的任何一项或多项的主题任选地包括：计算机设备进一步包括用于将另一变化施加于第二偏置信号的相位的电路，其中，第四信号进一步基于第二偏置信号的相位的变化。

在示例7中，示例1和示例2中的任何一项或多项的主题任选地包括：计算机设备进一步包括用于执行以下步骤的电路：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将第三信号从第一节点传递到第三节点；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第五信号从第三节点传递到第一节点，该第五节点基于第三偏置信号；以及基于第五信号，进一步调节第一偏置信号的相位的变化量。

在示例8中，示例7的主题任选地包括：其中，该电路用于：在基于第四信号调节第一偏置信号的相位的变化的同时，基于第五信号调节第一偏置信号的相位的变化量。

在示例9中，示例1和示例2中的任何一项或多项的主题任选地包括：

##.#的计算机设备，进一步包括用于执行以下步骤的电路：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第三偏置信号的相位；将第五信号从第三节点传递到第二节点，其中，基于第三偏置信号的相位的变化，第五节点指示第三条件的似然性；响应于第二条件的实例，将第六信号从第二节点传递到第三节点，该第六信号基于第二偏置信号；以及基于第六信号，调节第三偏置信号的相位的变化量。

在示例10中，示例1和示例2中的任何一项或多项的主题任选地包括：计算机设备进一步包括用于执行以下步骤的电路：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第二偏置信号的相位；将第五信号从第二节点传递到第三节点，其中，基于第二偏置信号的相位的变化，第五节点指示第二条件的似然性；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第六信号从第三节点传递到第二节点，该第六信号基于第三偏置信号；以及基于第六信号，调节第二偏置信号的相位的变化量。

在示例11中，示例1和示例2中的任何一项或多项的主题任选地包括：计算机设备进一步包括用于执行以下步骤的电路：基于所调节的变化量，优先于贝叶斯网络的一个或多个其他条件来选择贝叶斯网络的一个条件。

示例12是至少一种非易失性机器可读介质，其包括指令，这些指令当由机器执行时使机器执行用于利用尖峰神经网络生成贝叶斯推断的操作，这些操作包括：在尖峰神经网络的第一节点处接收第一偏置信号，其中，第一节点与贝叶斯网络的第一条件对应；在尖峰神经网络的第二节点处接收第二偏置信号，其中，第二节点与贝叶斯网络的第二条件对应；将变化施加于第一偏置信号的相位；以及响应于第一偏置信号的相位的变化，将第三信号从第一节点传递到第二节点，其中，该第三信号指示第一条件的似然性。这些操作进一步包括：在第二节点处接收指示第二条件的实例的信号；响应于第二条件的实例，将第四信号从第二节点传递到第一节点，该第四信号基于第二偏置信号；以及基于第四信号，调节第一偏置信号的相位的变化量。

在示例13中，示例12的主题任选地包括：其中，基于第一偏置信号的相位的变化，第三信号的尖峰率随时间变化，其中，由第三信号的尖峰率导致的变化的幅度指示第一条件的似然性。

在示例14中，示例12和示例13中的任何一项或多项的主题任选地包括：其中，第四信号进一步基于给定第一条件情况下第二条件的条件概率。

在示例15中，示例14的主题任选地包括：其中，第三信号经由耦合在第一节点与第二节点之间的突触被传递，其中，被指派给突触的权重指示给定第一条件情况下第二条件的条件概率。

在示例16中，示例14的主题任选地包括：其中，第四信号基于第二条件的条件概率相比概率的比率。

在示例17中，示例12和示例13中的任何一项或多项的主题任选地包括：操作进一步包括：将另一变化施加于第二偏置信号的相位，其中，第四信号进一步基于第二偏置信号的相位的变化。

在示例18中，示例12和示例13中的任何一项或多项的主题任选地包括：操作进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将第三信号从第一节点传递到第三节点；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第五信号从第三节点传递到第一节点，该第五节点基于第三偏置信号；以及基于第五信号，进一步调节第一偏置信号的相位的变化量。

在示例19中，示例18的主题任选地包括：其中，在基于第四信号调节第一偏置信号的相位的变化的同时，基于第五信号调节第一偏置信号的相位的变化量。

在示例20中，示例12和示例13中的任何一项或多项的主题任选地包括：操作进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第三偏置信号的相位；将第五信号从第三节点传递到第二节点，其中，基于第三偏置信号的相位的变化，第五节点指示第三条件的似然性；响应于第二条件的实例，将第六信号从第二节点传递到第三节点，该第六信号基于第二偏置信号；以及基于第六信号，调节第三偏置信号的相位的变化量。

在示例21中，示例12和示例13中的任何一项或多项的主题任选地包括：操作进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第二偏置信号的相位；将第五信号从第二节点传递到第三节点，其中，基于第二偏置信号的相位的变化，第五节点指示第二条件的似然性；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第六信号从第三节点传递到第二节点，该第六信号基于第三偏置信号；以及基于第六信号，调节第二偏置信号的相位的变化量。

在示例22中，示例12和示例13中的任何一项或多项的主题任选地包括：操作进一步包括：基于所调节的变化量，优先于贝叶斯网络的一个或多个其他条件而选择贝叶斯网络的一个条件。

示例23是一种用于利用尖峰神经网络生成贝叶斯推断的方法，该方法包括：在尖峰神经网络的第一节点处接收第一偏置信号，其中，第一节点与贝叶斯网络的第一条件对应；在尖峰神经网络的第二节点处接收第二偏置信号，其中，第二节点与贝叶斯网络的第二条件对应；将变化施加于第一偏置信号的相位；以及响应于第一偏置信号的相位的变化，将第三信号从第一节点传递到第二节点，其中，该第三信号指示第一条件的似然性。该方法进一步包括：在第二节点处接收指示第二条件的实例的信号；响应于第二条件的实例，将第四信号从第二节点传递到第一节点，该第四信号基于第二偏置信号；以及基于第四信号，调节第一偏置信号的相位的变化量。

在示例24中，示例23的主题任选地包括：其中，基于第一偏置信号的相位的变化，第三信号的尖峰率随时间变化，其中，由第三信号的尖峰率导致的变化的幅度指示第一条件的似然性。

在示例25中，示例23和示例24中的任何一项或多项的主题任选地包括：其中，第四信号进一步基于给定第一条件情况下第二条件的条件概率。

在示例26中，示例25的主题任选地包括：其中，第三信号经由耦合在第一节点与第二节点之间的突触被传递，其中，被指派给突触的权重指示给定第一条件情况下第二条件的条件概率。

在示例27中，示例25的主题任选地包括：其中，第四信号基于第二条件的条件概率相比概率的比率。

在示例28中，示例23和示例24中的任何一项或多项的主题任选地包括：该方法进一步包括：将另一变化施加于第二偏置信号的相位，其中，第四信号进一步基于第二偏置信号的相位的变化。

在示例29中，示例23和示例24中的任何一项或多项的主题任选地包括：该方法进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将第三信号从第一节点传递到第三节点；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第五信号从第三节点传递到第一节点，该第五节点基于第三偏置信号；以及基于第五信号，进一步调节第一偏置信号的相位的变化量。

在示例30中，示例29的主题任选地包括：其中，在基于第四信号调节第一偏置信号的相位的变化的同时，基于第五信号调节第一偏置信号的相位的变化量。

在示例31中，示例23和示例24中的任何一项或多项的主题任选地包括：该方法进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第三偏置信号的相位；将第五信号从第三节点传递到第二节点，其中，基于第三偏置信号的相位的变化，第五节点指示第三条件的似然性；响应于第二条件的实例，将第六信号从第二节点传递到第三节点，该第六信号基于第二偏置信号；以及基于第六信号，调节第三偏置信号的相位的变化量。

在示例32中，示例23和示例24中的任何一项或多项的主题任选地包括：该方法进一步包括：在尖峰神经网络的第三节点处接收第三偏置信号，该第三节点与贝叶斯网络的第三条件对应；将变化施加于第二偏置信号的相位；将第五信号从第二节点传递到第三节点，其中，基于第二偏置信号的相位的变化，第五节点指示第二条件的似然性；在第三节点处接收指示第三条件的实例的信号；响应于第三条件的实例，将第六信号从第三节点传递到第二节点，该第六信号基于第三偏置信号；以及基于第六信号，调节第二偏置信号的相位的变化量。

在示例33中，示例23和示例24中的任何一项或多项的主题任选地包括：该方法进一步包括：基于所调节的变化量，优先于贝叶斯网络的一个或多个其他条件而选择贝叶斯网络的一个条件。

本文中描述了用于提供尖峰神经网络的功能的技术和架构。在上文描述中，为了便于解释，阐述了众多具体细节以提供对某些实施例的透彻理解。然而，对本领域技术人员而言将显而易见的是，某些实施例可在无需这些具体细节的情况下实施。在其他实例中，以框图形式示出结构和设备以避免使描述含糊。

在说明书中对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书中的不同位置处出现短语“在一个实施例中”不一定全都指同一个实施例。

本文中的具体实施方式的一些部分在对计算机存储器内数据位的操作的算法和符号表示方面来呈现。这些算法描述和表示是由计算机领域的普通技术人员使用以向本领域其他技术人员最有效地传递其工作的实质的手段。算法在此一般被理解为导致所需结果的自洽的步骤序列。这些步骤是需要对物理量进行物理操纵的那些步骤。通常但非必须，这些量采用能够被存储、传输、组合、比较、以及以其他方式操纵的电信号或磁信号的形式。主要出于常见用途的考虑，将这些信号称为位、值、元素、符号、字符、项、数字等被证明是方便的。

然而，应当记住，所有这些和类似的术语将与适当的物理量关联，并且仅仅是应用于这些量的方便的标记。除非以其他方式明确指明，否则如从本文的讨论中显而易见的，可以理解，贯穿说明书，利用诸如“处理”或“计算”或“运算”或“确定”或“显示”等术语的讨论，指的是计算机系统或类似电子计算设备的动作和进程，该计算机系统或类似电子计算设备操纵在该计算机系统的寄存器和存储器内表示为物理(电子)量的数据并将其转换成在该计算机系统存储器或寄存器或其他此类信息存储、传输或显示设备内类似地表示为物理量的其他数据。

某些实施例还涉及用于执行本文中的操作的装置。这些装置可专门构造来用于所需目的，或其可包括通用计算机，该通用计算机由存储在该计算机内的计算机程序有选择地激活或重新配置。此类计算机程序可以存储在计算机可读存储介质中，这些计算机可读存储介质诸如但不限于任何类型的盘，包括软盘、光盘、CD-ROM、磁光盘、只读存储器(ROM)、诸如动态随机存取存储器(RAM)(DRAM)的RAM、EPROM、EEPROM、磁卡或光卡、或适用于存储电子指令且耦合至计算机系统总线的任何类型的介质。

本文呈现的算法和显示并非固有地与任何特定计算机或其他装置相关。可以将各种通用系统与根据本文教导的程序一起使用，或可以证明构造更专门的装置来实现所要求的方法步骤是方便的。各种这些系统的所需结构将从本文中的描述呈现。此外，某些实施例不是参考任何特定编程语言来描述的。将会理解，可以使用各种编程语言来实现本文所描述的此类实施例的教导。

除了本文所描述的内容，还可对所公开的实施例及其实现作出多种修改而不背离其范围。因此，本文中的说明和示例应当被解释成说明性的，而非限制性的。本发明的范围应当仅通过参照所附权利要求书来界定。