[发明专利]一种忆阻递归神经网络电路

说明书

本发明提供了一种忆阻递归神经网络电路，包括神经元模块电路、反向求和电路和忆阻交叉突触阵列电路：忆阻交叉突触阵列电路中的突触前神经元通过忆阻器将电流信号传递给神经元模块电路的输入端，神经元模块电路的输出端将电流信号传递给反向求和模块电路，反向求和电路将电流信号反向传播到忆阻交叉突触阵列电路的负极。将忆阻神经网络与联想记忆相结合，同时基于忆阻实现人工神经网络的全连接层，可以极大地减小网络面积和功耗。

技术领域

本发明涉及人工智能领域技术领域，具体涉及一种忆阻递归神经网络电路。

背景技术

近年来，利用人工神经网络(ANNs)来模拟人脑的神经行为已经做了大量的研究。一方面，许多大型神经形态架构的实现方案已经被提出，目的是为了寻找与人脑计算能力相当的模型结构。另一方面，许多研究也在尝试制造具有类似人脑特征和行为的智能体。

其中，离散型Hopfield神经网络是一种全反馈网络的结构。全反馈网络的特点是任意神经元的输入都是由其他神经元的输出通过一个连接权重连接过来，相应地，任意神经元的输出也都通过一个连接权重反馈到其他神经元作为输入，每个神经元均有一个固定的阈值，要使神经网络工作需要有一个初始的输入，网络的初始输入就是在t＝0时网络的状态，表示为X(0)＝(x1(0)，x2(0)，....，xn(0))，X(0)是在解决不同的问题前事先计算出来的，当X(0)输入到网络中之后，整个神经网络就进入到了动态演化过程。当整个神经网络稳定之后,所有的神经元输出都将为恒定值，不再发生改变。对于离散型Hopfield神经网络，神经元一般没有自反馈通路，神经元之间的连接权重是对称的，当阻值一旦固定整个网络的功能也就相应地固定了，由于不能灵活地编程突触的权重，这种电路在应用上会受到很大的限制。

采用电子线路去模拟真实生物中的神经网络，由于所提出的这个神经网络和连续变化的时间有关，人们把这种网络称之为连续型Hopfield神经网络。这种新的网络可以模拟生物神经网络的一些特性，通过电容的积分模拟生物神经元具有的延迟效应，这种系统的状态随时间演变的过程可以用微分方程表示。由于连续型Hopfield神经网络全部采用的是电子线路进行搭建，所以这个网络中所有神经元都具有在时间上连续和同步变化的功能。连续型Hopfield神经网络相比于离散型Hopfield神经网络在信息处理的实时性和并行性等方面更接近于生物神经网络的工作机理。连续型Hopfield神经网络中用运算放大器表示神经元，任意两个神经元之间的连接权重用物理器件电阻表示。

在连续型Hopfiled神经网络中,任意两个神经元之间的连接权用电阻的倒数电导表示，电阻起到了神经网络中突触的作用。每个运算放大器有两个输出，一个是正相输出，另外一个是反相输出。与运算放大器正相输出相连的电阻表示兴奋性突触，与运算放大器反相输出相连的电阻表示抑制性突触。每一个神经元的输入端都有一个外界输入偏置电流，它相当于神经元的阈值。

上述两种Hopfield神经网络中突触使用的是电阻，当阻值一旦固定整个网络的功能也就相应地固定了，由于不能灵活地编程突触的权重，这种电路在应用上会受到很大的限制，同时离散型Hopfield神经网络和连续型Hopfield神经网络中使用了大量的非线性器件，整个电路的功耗会很高同时不利于电路的集成化。因此设计联想记忆神经网络电路，是硬件实现联想记忆神经网络的利器。

发明内容

本发明解决的一个主要问题是传统的Hopfield神经网络中突触使用的是电阻，当阻值一旦固定整个网络的功能也就相应地固定了，由于不能灵活地编程突触的权重，神经网络电路在应用上受到很大的限制，同时离散型Hopfield神经网络和连续型Hopfield神经网络中使用了大量的非线性器件，整个电路的功耗会很高、也不利于电路的集成化。

本发明提供一种忆阻递归神经网络电路，包括神经元模块电路、反向求和电路和忆阻交叉突触阵列电路：