论文部分内容阅读
当今以密度驱动发展的存储器技术发展逐渐达到其物理极限,功能驱动的认知存储器件可能成为延续摩尔定律的接班人。近年来神经形态和认知计算领域的研究引起了广泛的兴趣。这些研究在各个领域中具有潜在的应用价值,譬如大规模数据驱动计算,机器人,智能自主系统等等。在开展的生物启发计算作为下一代(后摩尔,非冯·诺依曼)计算解决方案的本研究中,我们讨论不同的新型的非易失性阻性存储器技术,包括(i)相变存储器(phase change memory,PCM),(ii)忆阻器(Memristor),用于构建神经形态硬件。我们专注于利用新型非易失性存储器件实现生物突触可塑性功能,如长期增强(long-term potential,LTP),长期抑制(long-term depression,LTD)和脉冲时间依赖突触可塑性(spike-time-dependent plasticity,STDP)。我们开发了新型编程方法,和简化的STDP类学习规则,特定优化的一些突触功能实现技术。我们展示大规模的实施有效的神经形态系统与两种不同的脉冲神经网络(i)监督式学习(ii)非监督式学习。在利用实验测得的STDP模型替代原本神经网络的突触理想数学模型过程中,通过调整学习法则,适应物理器件具有的不对称性、非线性和不一致性等问题,以及根据学习效果,对电子突触器件提出进一步改进的要求。研究结果概述如下:(1)我们讨论如何使用相变存储器(PCM)技术来模拟易于实现的大规模神经形态系统中的生物突触,提出利用相变材料的热积累/扩散效应,实现利用简单矩形脉冲实现STDP功能。(2)我们讨论如何使用忆阻器来实现生物突触的STDP功能,测量电子突触器件处于不同电阻态下的STDP曲线,构建可以完整表达实际工作中的电子突触模型。(3)我们描述如何使用电子突触器件构建监督式学习脉冲神经网络。我们提出通过加入不应期学习法则,解决由电子突触器件SET/RESET不对称带来学习失效的问题,提出了随着器件阻值调控的精细度增加,脉冲波形复杂度能进一步降低至矩形波形式,研究了系统的鲁棒性,以及提出了在电子突触阵列中构建该神经网络的两种方案。(4)我们讨论如何使用电子突触器件构建非监督式学习脉冲神经网络,提出了提高基于电子突触器件的学习准确率的方案,研究了如何量化神经网络的稳定性,提出了针对电子突触器件的优化算法,探讨了电子突触器件的发展方向,以适应神经网络的学习。