[发明专利]基于动态忆阻器的储备池计算系统

说明书

本发明提出的一种基于动态忆阻器的储备池计算系统，包括：时分复用模块，包括多个并行的掩膜单元，根据不同的掩模信号以各掩模信号为载波对输入信号的振幅进行调制得到多个不同的振幅的电压信号；储备池模块，包括多个储备池单元，均分别包括相连接的动态忆阻器和负载电阻，通过动态忆阻器对来自掩模单元的电压信号进行非线性变换得到电流信号，负载电阻将该电流信号转换成电压信号后输出；乘加模块，采用非挥发性忆阻器阵列，将来自储备池模块的多个电压信号与非挥发性忆阻器的电导值进行乘加运算得到对应的多个电流信号后输出，各非挥发性忆阻器的电导值与储备电池系统输出的权重值相对应。本发明提高了储备电池系统的工作效率同时降低了功耗。

技术领域

本发明属于储备池计算技术领域，特别涉及一种基于动态忆阻器的储备池计算系统。

背景技术

近年来，人工神经网络迅速发展，并在许多不同领域发挥了重要作用，例如目标检测、自然语言处理、自动驾驶等。通常，神经网络在网络结构上可以大致分为两大类。一种是前馈神经网络，其中神经元被分成几层，并且信号仅向前传播。前馈神经网络种类繁多，其中包括众所周知的卷积神经网络，其广泛用于处理静态空间图像信号，例如图像识别和目标检测。但是，这种前馈结构的网络并不适合处理时间信号。另一类人工神经网络是递归神经网络(RNN)。因为RNN的神经元之间具有递归连接，所以可以将输入信号的历史信息编码为网络的内部状态，从而实现信息的短期存储。因此，RNN能够很好地处理时间信号。但是由于递归结构中的梯度爆炸或消失的问题，RNN的训练通常非常困难，并且需要大量的算力。

为了解决这个问题，人们提出了储备池计算(RC)的概念。RC和RNN之间的主要区别在于，在RC系统中仅需要训练输出层的权重，而其余层的权重则保持不变。因此在RC系统中训练过程是线性的，可以使用例如线性回归这样的简单算法完成原本复杂的训练过程。在软件层面，RC系统已经在语音识别，自适应滤波，时间序列预测和许多其他领域中获得令人满意的性能。为了进一步提高RC系统效率，已有不少研究利用新材料和器件(如自旋电子振荡器、光电器件、忆阻器等)对RC系统进行了硬件实现。其中，忆阻器固有的动态特性和非线性特性使其非常适合用于RC系统的实现。

在RC系统中，储备池的几个关键特性会在很大程度上影响系统性能，其中储备池状态的丰富度是最重要的参数之一。在以往的研究中，通常使用器件之间的固有差异来生成不同的储备池状态。尽管此类方法可以生成许多储备池状态，但当组成储备池的器件制备完成后系统状态的丰富度就固定了，无法进一步调整以优化系统性能。此外，在之前基于忆阻器的RC报道中，忆阻器的电导被作为储备池状态，因此在每个输入信号之后都必须跟随一个读取信号以读出器件电导值。这种额外的读取操作将限制此类RC系统的速度。

发明内容

本发明提出了一种基于动态忆阻器的储备池计算系统，该系统使用可控的时分复用过程来生成丰富的储备池状态。通过调节时分复用过程中的参数，不仅可以调节储备池状态的丰富度，还可以调节系统的反馈强度，这两者都是影响RC系统性能的关键特性。此外，本发明直接使用了忆阻器对输入信号的响应作为储备池状态，这样既利用了器件的非线性同时无需额外的读取操作，极大地提高了系统运行效率。

为了实现上述目的，本发明采用如下技术方案：

本发明提出的一种基于动态忆阻器的储备池计算系统，其特征在于，包括：

时分复用模块，包括n个并行的掩膜单元，各掩模单元分别根据不同的掩模信号，以各掩模信号为载波对输入信号的振幅进行调制，得到n个不同的振幅正比于输入信号的二值电压信号V_ini，i＝1,2,…,n；