[发明专利]神经形态处理设备

说明书

神经形态处理设备(1)具有用于接收输入数据信号的设备输入(2)和神经元电路(3)的集合。每个神经元电路(3)包括电阻式存储单元(14)和神经元输出电路(15)，电阻式存储单元被布置成存储由槽电阻所指示的神经元状态，并且接收神经元输入信号(11)用于编程槽电阻以改变神经元状态，神经元输出电路(15)用于响应于槽电阻越过阈值来提供神经元输出信号(12)。该设备(1)包括输入信号发生器(4)，其连接到设备输入(2)和神经元电路(3)的集合，用于根据输入数据信号生成用于集合的神经元输入信号(11)。该设备(1)进一步包括连接到集合的神经元输出电路(15)的设备输出电路(5)，用于产生依赖于集合的神经元输出信号(12)的设备输出信号，由此处理设备(1)利用集合的电阻式存储单元的随机性。

背景技术

本发明通常涉及神经形态处理设备，并且更具体地，涉及采用基于电阻式存储单元的神经元电路集合的这样的设备。

神经形态技术涉及受神经系统的生物学架构启发的计算系统。基于CMOS逻辑和冯·诺依曼架构的传统计算模式正变得越来越不足以满足现代计算机系统扩大的处理需求。与生物系统相比，在功耗和空间要求方面也是非常低效的。这些问题促使了大量的研究工作来理解人脑的高效计算模式，并创造出具有前所未有的计算能力的人工认知系统。

神经元与突触一起是大脑中的基本计算单位。神经元可以对它接收的输入信号进行积分。在生物神经元中，使用薄的脂质双层膜来将单元内部的电荷与外部的电荷分离。表示所存储的神经元状态的膜电位在神经元输入信号的到达时而逐步地被修改。当膜电位越过特定的电压阈值时，神经元将“激发(fire)”，生成已知为“动作电位”或“突起(spike)”的输出信号，然后恢复到其初始状态。经由突触将这些尖峰传递给其他神经元，这些突触改变其连接强度(“可塑性”或“突触权重”)作为神经元活动的结果。

大多数当前人造神经元实现是基于混合模拟/数字VLSI电路，并且需要实现几个晶体管。使用传统的CMOS电路(如电流模式、电压模式和亚阈值晶体管电路)模仿积分激发神经元功能相对复杂，并且阻碍与高密度突触阵列的无缝积分。此外，传统的CMOS解决方案依赖于将膜电位存储在电容器中。即使对技术节点进行广泛的扩展，实现在生物神经元膜中测量的电容密度(大约10fF/μm2)是具有挑战性的。

诸如相变存储器(phase change memory，PCM)单元之类的电阻式存储单元已被认为是用于实现神经硬件的合适候选者(参见例如“The Ovonic Cognitive Computer-ANewParadigm”,Ovshinsky,Proc.E/PCOS,2004,和“Novel Applications Possibilities forPhase-Change Materials and Devices”，Wright et al.,Proc.E/PCOS,2013)。电阻式存储单元是可编程电阻设备，其依赖于放置在一对电极之间的大量电阻材料的可变电阻特性。这些单元是忆阻器，即记忆流过它们的电流的历史的设备。虽然已经解释了可伸缩和高效的记忆性突触，但是能够捕获生物神经元的大部分基本属性的实际人造神经元的具体实现更具挑战性。

除了确定性的神经元动态之外，随机神经元动态在生物系统中的信号编码和传输中起关键作用。“Memristors Empower Spiking Neurons With Stochasticity”IEEEJESTCS,Vol.5,No.2,2,June 2015,Al-Shedivat et al.,公开了使用金属氧化物忆阻器来在电路神经元实施方式中人工地注入神经元内随机性。

发明内容