[发明专利]一种基于忆阻器单元的神经网络突触结构及其调节方法

说明书

本发明涉及计算机与电子信息技术领域，具体涉及一种基于忆阻器单元的神经网络突触结构及其调节方法。本发明将多个忆阻器单元级联在一起作为一个电子突触(即级联忆阻器单元组)，使用一种加权的映射规则将其电阻值映射到神经网络中的突触权值，并采用全调节或分步调节的方式来避免神经网络在学习过程中因忆阻器无法精确调节所带来的影响，从而使各类神经网络均可在基于忆阻器的系统上正常运行。本发明解决了电阻值到突触权值的映射问题与忆阻单元阻值变化的不确定性问题。

技术领域

本发明涉及计算机与电子信息技术领域，具体涉及一种基于忆阻器单元的神经网络突触结构及其调节方法。

背景技术

突触是神经网络中连接不同神经元的中间结构，其权值通过相应的神经网络算法不断更新是神经网络信息处理的基础。忆阻器作为一种具有电阻可调特性的新型元器件，被认为是与电阻、电感和电容并列的4个基本电路元件之一。

研究人员发现突触连接强度的变化规律和忆阻器的电学特性(其电导值受施加电信号的调节特性)有着相似的变化规律，因此单一忆阻器便可模拟一个突触的功能。与使用电子计算机(即传统的互补型金属氧化物半导体基的晶体管电路)来运行神经网络程序相比，忆阻单元能够大幅降低能耗，提高读写速度同时降低集成电路的复杂度。然而，忆阻器也具有其先天缺陷，首先作为模拟器件其电阻在电压的调控下是非线性的模拟量变化，并不能如数字器件一样精确地调整到期望到达的权值。目前大部分研究者采用将忆阻器的阻值一对一的映射到神经网络的权值，基于此种映射方法的神经网络无法做到精确调整权值，如何有效地将忆阻器电路中的各个忆阻器电阻值映射到神经网络矩阵中对应的突触权值，以达到运算精度、功耗的最佳结果，是非常关键的问题。

目前，现有技术中基于忆阻器件的突触结构主要有：Prezioso,M.¹等人用两个忆阻单元的差值来定义所用的神经网络中的权值，并且在调节的过程中只是给前一个忆阻单元施加激励电压，而保持后一个忆阻单元的电阻值不变，这样可以保证所有突触的权值都有相同的基准值。更新采用manhattan权值更新规则，也就是从而得到给需要调节的忆阻单元所需要施加的激励电压的幅值正负。Ligang Gao²等人的做法是采用程序控制下的激励电压(包括脉宽和幅值)，并结合在程序中附加的写入验证步骤来逐步调节忆阻器的电阻，直到其电阻接近或者等于目标电阻值，从而使每一步的权值更新达到期望值从而使得神经网络能够正常运行。

使用两个忆阻单元的差值来表示一个突触的权值，并采用Manhattan权值更新规则，由于没有从根本上解决突触权值调节的不精确性而导致只能实现简单的图像识别，因此无法完成比较复杂的神经网络功能。而通过加入写入验证步骤的技术，其增加了程序控制的复杂度，并且将本来可以快速完成的权值调节优势，转变为耗时的反复验证过程。

发明内容

针对上述存在问题或不足，为解决电阻值到突触权值的映射问题并且解决在激励电压的作用下忆阻单元阻值变化的不确定性问题，本发明提供了一种基于忆阻器单元的神经网络突触结构及其调节方法，通过忆阻器级联来实现忆阻器阻值到突触权值。

一种基于忆阻器单元的神经网络突触结构，由n个忆阻器单元级联构成的级联忆阻器单元组。

所述忆阻器单元的数量n由神经网络正常运行所需要突触权值的精确度来决定，使用级联的连接方式来组织各个忆阻单元在物理层面的连接方式，将各个忆阻单元的阻值按照如下公式进行预处理：

其中，i指级联忆阻器单元组内第i个级联的忆阻器单元，R_i为级联忆阻器单元组中第i个单元的实时阻值，R_mid为级联忆阻器单元组中各个单元的阻值变化范围的中值，R_min为级联忆阻器单元组中各个单元的阻值变化范围的最小值，w_i为级联忆阻器单元组中第i个级联的忆阻器单元的阻值映射得到的数值。各忆阻器单元相同，R_mid和R_min为定值。