[发明专利]一种联想神经网络突触权值可塑的忆阻模型电路设计方法

说明书

一种联想神经网络突触权值可塑的忆阻模型电路设计方法，基于改进压控(MVC)忆阻模型及类似神经突触功能的忆阻模型，设计出权值可塑的经验学习忆阻模型，使该忆阻模型具有经验学习和长期记忆的能力。忆阻器是纳米级尺寸、非易失性的两端无源性器件，因此将设计的经验学习忆阻模型作为突触运用在联想记忆神经网络中，并修改联想记忆神经网络的反馈规则，使该网络同时具有经验学习、长期记忆及自我增强学习等能力。本发明设计简单，丰富了忆阻及神经网络的功能，具有广阔的仿生应用前景。

技术领域

本发明属于神经网络和电子信息科学领域，涉及联想神经网络、忆阻器模型及电路设计与仿真实现，特别是忆阻器模拟神经网络突触行为。

背景技术

生物大脑有极高的容量，含有数以亿计的神经元细胞，同时，大脑在极短的时间里对于外界刺激的反应是准确而又迅速的。尽管大脑高速处理各种外界信息，但是其消耗的能量是极低的，所以学习和模拟大脑对于人工网络的发展具有十分重要的意义。虽然神经元细胞的数量众多，但是其中突触的数量更是神经元细胞的上万倍，因此人工突触的尺寸对于构建人工网络是非常重要的。生物突触具有可塑性，即突触的连接强度会随着自身的活动而发生变化，因此模拟神经系统突触可塑性对于构建高效低功耗的网络是十分必要的。

美国加州大学伯克利分校蔡少棠于1971年从理论上证明了忆阻器的存在，美国惠普实验室在2008年物理上实现了忆阻器。忆阻器具有纳米级尺寸和低功耗的性质，所以近年来忆阻引起了广泛的关注，被大量运用于混沌电路、保密通信及神经网络等领域。忆阻一个重要的特性是忆阻值会随着其通过的电流而发生改变，这一特性与生物突触极为相似，因此忆阻作为突触被用于实现人工神经网络。

不同材料的忆阻具备不同的性质，许多忆阻的特性都与生物突触相似或相近，如铟镓锌氧化物(IGZO)忆阻、聚乙烯醇(PVA)忆阻及改进压控(Modified Voltage-Controlled，MVC)忆阻等。这些忆阻具有部分记忆，遗忘及经验学习的功能。经验学习是指突触在重复的脉冲刺激下，其权值变化速率将会变快。记忆分为长期记忆和短期记忆，一部分记忆在去掉激励后会被较快地忘记，称这部分记忆为短周期记忆(Short-Term Memory,STM)；另一部分记忆能够被保留较长的时间，称这部分记忆为长周期记忆(Long-TermMemory,LTM)。目前尽管大量的忆阻模型被提出来，但是有很少的忆阻模型涉及到了经验学习和长周期记忆且用于神经网络中。

发明内容

本发明的目的是提出一种改进的忆阻模型，并作为突触用于联想神经网络电路设计及仿真。

本发明为了实现具有经验学习和长周期记忆的忆阻联想网络，在改进忆阻器模型的基础上，设计出具有联想记忆及长周期记忆的忆阻模型作为人工突触。同时通过修改人工神经元的反馈规则，使得该联想记忆神经网络具有自我学习功能。

本发明所述的一种联想神经网络突触权值可塑的忆阻模型电路设计方法，包括以下步骤：

(S1)根据MVC忆阻模型及类似神经突触功能的忆阻模型，设计权值可塑的经验学习忆阻模型，使该模型具有经验学习、长周期记忆及遗忘的功能，MVC忆阻模型描述如下：

i＝M-¹v(1)

(1)式和(2)式中，i和v分别表示MVC忆阻的电流与电压，M表示MVC忆阻的忆阻值。α表示|v|≤v_th时M的变化速率，β表示|v|＞v_th时M的变化速率，δ表示 v＝0时M的变化速率，且符号α，β和δ均为常数。v_th是电压阈值，R_H为M最大值， R_L为M最小值。

(2)式中s是阶跃函数，可以表示为：

(S2)调整(S1)中构建的经验学习忆阻模型的各关系式参数，使模型达到电路实现的标准。