[发明专利]一种可灵活配置的忆阻神经网络电路

说明书

本发明提出了一种可灵活配置的忆阻神经网络电路，用以解决现有神经网络中多余的输入端口影响神经网络输出结果的准确性，且增加额外能耗的问题。本发明包括控制电路、信号输入电路和神经网络电路，控制电路的输入端与输入控制信号相连接，信号输入电路的输入端与输入信号相连接，控制电路的输出端与信号输入电路相连接，信号输入电路的输出端与神经网络电路相连接，神经网络电路包括忆阻元件，神经网络电路的输出端输出结果信号。本发明可根据控制电路输出的控制信号更改参与到工作当中的突触数量，节约了能量消耗；可灵活配置的忆阻神经网络电路以不同的规模运行，有效地避免输出结果出现错误。

技术领域

本发明属于数模电路的技术领域，尤其涉及一种可灵活配置的忆阻神经网络电路。

背景技术

2008年美国惠普实验室在进行极小型电路实验时制造出忆阻的实物，其成果发表在《自然》杂志上。忆阻最突出的特点是其天然的非易失性记忆功能和良好的开关特性，在非易失性存储器技术、可重构信号处理电路、人工神经网络、保密通信、模拟电路、人工智能计算机、生物行为模拟等领域具有巨大的应用潜力。

人工神经网络的研究工作自二十世纪初开始，几经沉浮。20世纪80年代，反向传播算法被用于训练多层感知器，使神经网络重新焕发生机。2006年深度学习概念的提出把神经网络的研究推向了新高潮。2016年，由谷歌公司开发的AlphaGo程序战胜了世界著名的围棋选手李世石。

到目前为止，人工神经网络主要依赖于软件实现。但是软件实现的神经网络所需要的计算量非常巨大，能耗也非常高。由于忆阻的阻值可变性和非易失性非常类似于神经网络中的突触的特性，并且忆阻的可集成度非常高，运行速度也非常快，所以用硬件的方式实现电子式的人工神经网络成为了当前研究的一个新热点。

许多学者提出了各种不同的忆阻阵列来实现基于忆阻的人工神经网络，但是这些网络的所有输入端口在工作当中都同时被置于信号接收状态。因此，当不加更改地使用同样的网络来实现相对小规模的神经网络功能时，暂时用不到的输入端口可能会因为接收到一些意外的干扰信号，从而影响神经网络输出结果的准确性。另外，虽然某些输入端口暂时用不到，但实际上网络中的电子突触仍然处于耗电状态，这样增加了一些额外的能耗。而本发明所公开的可灵活配置的忆阻神经网络解决了这些局限。

发明内容

针对现有神经网络中多余的输入端口影响神经网络输出结果的准确性，且增加额外能耗的技术问题，本发明提出一种可灵活配置的忆阻神经网络电路，能够灵活地配置参与到工作当中的突触数量。

为了达到上述目的，本发明的技术方案是这样实现的：一种可灵活配置的忆阻神经网络电路，包括控制电路、信号输入电路和神经网络电路，控制电路的输入端与输入控制信号相连接，信号输入电路的输入端与输入信号相连接，控制电路的输出端与信号输入电路相连接，信号输入电路的输出端与神经网络电路相连接，神经网络电路包括忆阻元件，神经网络电路的输出端输出结果信号。

所述信号输入电路包括三个输入端、三个输出端和三个控制端，信号输入电路的三个输入端分别接收三个输入信号；所述神经网络电路包括三个输入端和一个输出端，神经网络电路的三个输入端分别与信号输入电路的三个输出端一一对应连接，神经网络电路的输出端输出激活电压；所述控制电路包括两个输入端和三个输出控制端，两个输入端分别接收两个输入控制信号，三个输出控制端分别与信号输入电路的三个控制端一一对应连接。