CN109447250B - 一种基于忆阻器中电池效应的人工神经元 - Google Patents

一种基于忆阻器中电池效应的人工神经元 Download PDF

Info

Publication number
CN109447250B
CN109447250B CN201811075282.6A CN201811075282A CN109447250B CN 109447250 B CN109447250 B CN 109447250B CN 201811075282 A CN201811075282 A CN 201811075282A CN 109447250 B CN109447250 B CN 109447250B
Authority
CN
China
Prior art keywords
memristor
artificial
action potential
battery effect
artificial neuron
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811075282.6A
Other languages
English (en)
Other versions
CN109447250A (zh
Inventor
杨蕊
郭新
黄鹤鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811075282.6A priority Critical patent/CN109447250B/zh
Publication of CN109447250A publication Critical patent/CN109447250A/zh
Application granted granted Critical
Publication of CN109447250B publication Critical patent/CN109447250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Logic Circuits (AREA)
  • Non-Volatile Memory (AREA)

Abstract

本发明属于半导体信息相关技术领域，其公开了基于忆阻器中电池效应的人工神经元，该人工神经元包括人工突触阵列、加法器、第二忆阻器、比较器及动作电位发生器，该人工突触阵列的输出端连接于该加法器的输入端，该加法器的输出端连接于该第二忆阻器的一端，该第二忆阻器的另一端分为两路，一路经第二电阻接地，另一路连接于该比较器的负向输入端，该比较器的正向输入端接阈值电压，其输出端连接于该动作电位发生器的输入端；该动作电位发生器基于电池效应输出一个类生物神经元动作电位的电信号；该第二忆阻器为具有电池效应的完全易失性忆阻器。本发明结构简单，易于实现，灵活性较好。

Description

一种基于忆阻器中电池效应的人工神经元
技术领域
本发明属于半导体信息相关技术领域，更具体地，涉及一种基于忆阻器中电池效应的人工神经元。
背景技术
基于软件的人工神经网络取得了巨大成功，目前各大公司已经开始研究用于人工神经网络的专用芯片。然而，用传统的CMOS电路在模拟作为基本元件的人工突触和人工神经元时，每一个基本元件都需要几十个晶体管，考虑到人脑中有1015个突触以及1011个神经元，用这种方法进行突触和神经元的模拟在未来会受到极大的限制。
现阶段，本领域相关技术人员已经做了一些研究，如用一个具有简单三明治结构的忆阻器就可以模拟生物突触的大部分功能，在脉冲的作用下表现出忆阻器电导的连续增加或者降低，并实现了对一些神经系统重要学习规则的模拟。然而，模拟这些学习规则一般都要精确控制神经元的时序及发放特殊形状的脉冲，这个过程往往需要功能强大的任意波形发生器，实际应用面临着时序和设备复杂性、局部分级电位难以模拟、类生物神经元动作电位发放困难等技术问题。相应地，本领域存在着发展一种能够容易实现类生物神经元动作电位发放的人工神经元的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于忆阻器中电池效应的人工神经元，其基于现有生物突触的模拟特点，研究及设计了一种较为容易实现类生物神经元动作电位发放的人工神经元。所述人工神经元用于解决局部分级电位难以模拟、类生物神经元动作电位发放困难等技术问题，其用于实现漏电流整合放电功能及调节突触可塑性。
人工神经元在功能上应该具备整合前级输入信号，在短时间内恢复到初始状态以及发射特殊形状脉冲的特性，其中整合和恢复功能可以通过一个具有电池效应且电阻值在短时间内完全易失的忆阻器来模拟，电池效应的输出电位可以作为局部分级电位，并代表神经元此时的状态与阈值进行比较。特殊形状脉冲可以利用一个简单的定时器与一个具有电池效应的忆阻器组成动作电位发生器来完成发射。
为实现上述目的，本发明提供了一种基于忆阻器中电池效应的人工神经元，所述人工神经元包括人工突触阵列、加法器、第二忆阻器、比较器及动作电位发生器，所述人工突触阵列的输出端连接于所述加法器的输入端，所述加法器的输出端连接于所述第二忆阻器的一端，所述第二忆阻器的另一端分为两路，一路通过第二电阻接地，另一路连接于所述比较器的负向输入端，所述比较器的正向输入端接阈值电压；所述比较器的输出端连接于所述动作电位发生器的输入端，所述动作电位发生器的输出端用于连接下一级人工神经元的人工突触；
所述动作电位发生器基于电池效应输出一个类生物神经元动作电位的电信号；所述第二忆阻器为具有电池效应的完全易失性忆阻器。
进一步地，所述人工突触阵列用于各个人工神经元之间的连接，其同时用于接收上一级人工神经元传来的电信号，并根据自身的电导按照比例向后传播；所述人工突触阵列为忆阻器阵列。
进一步地，所述人工突触阵列包括多个并联的非易失性忆阻器，各个忆阻器的一端通过导线连接于上一级人工神经元，另一端汇接为一路而连接于所述加法器的输入端。
进一步地，所述加法器用于对来自所述人工突触阵列的电信号进行加和，加和得到的信号用于调节所述第二电阻的电阻，从而实现对神经元膜电位的模拟；所述加法器为运算放大器与第一电阻构成的反相求和器。
进一步地，所述运算放大器与所述第一电阻并联，所述人工突触阵列的输出端分别连接于所述运算放大器的负向输入端及所述第一电阻的一端，所述第一电阻的另一端连接于所述运算放大器的输出端，所述运算放大器的正向输入端接地，其输出端连接于所述第二忆阻器。
进一步地，所述比较器用于比较所述第二电阻对地电压与所述阈值电压的大小，当所述第二电阻对地的电压大于所述阈值电压时，所述比较器输出一个下降沿以用于激励所述动作电位发生器。
进一步地，所述动作电位发生器包括定时器及第三忆阻器，所述定时器的输入端连接于所述比较器的输出端，其输出端连接于所述第三忆阻器的输入端，所述第三忆阻器的输出端分为两路，一路经第三电阻接地，另一路用于与下一级人工神经元的突触相连接。
进一步地，所述定时器体现出单稳态的特性，其接收到一个下降沿信号时会输出一个高电平信号；所述定时器为555芯片。
进一步地，所述第三忆阻器为具有电池效应的忆阻器。
进一步地，所述动作电位发生器还用于对其连接的下一级人工神经元的人工突触阵列的权重进行调节，其是按照突触活动时序相关的可塑性原则对各个突触电阻分别进行调节的。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于忆阻器中电池效应的人工神经元主要具有以下有益效果：
1.所述第二忆阻器的另一端分为两路，一路通过第二电阻接地，另一路连接于所述比较器的负向输入端，所述第二忆阻器用于表达局部分级电位，其电阻变化完全易失且具有电池效应，所述第二忆阻器在一个动作电位到达后的很短时间内，自发的衰减使其恢复到高阻态，实现初始局部分级电位的表达，易于实现，灵活性较好。
2.所述动作电位发生器基于电池效应输出一个类生物神经元动作电位的电信号，所述动作电位发生器包括定时器及第三忆阻器，一个简单的定时器与一个具有电池效应的忆阻器即可来完成特殊形状脉冲的发射，结构简单，成本较低，适用性较强。
3.所述人工突触阵列用于各个人工神经元之间的连接，其接收上一级人工神经元传来的电信号，并依据自身的电导按照比例向后传播，如此实现了前级输入信号的整合。
4.所述动作电位发生器还用于对其连接的下一级人工神经元的人工突触阵列的权重进行调节，其是按照突触活动时序相关的可塑性原则对各个突触电阻分别进行调节的，实现了突触可塑性的调节。
附图说明
图1是本发明第一实施方式提供的基于忆阻器中电池效应的人工神经元的示意图。
图2中的a图、b图、c图及d图分别是图1中的基于忆阻器中电池效应的人工神经元的第二忆阻器的性能图。
图3是图1中的基于忆阻器中电池效应的人工神经元的第三忆阻器的性能示意图。
图4中的a图及b图分别是采用图1中的基于忆阻器中电池效应的人工神经元得到的时间和空间整合以及类生物信号发射的示意图。
图5是本发明第二实施方式提供的基于忆阻器中电池效应的人工神经元的示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：R1-第一电阻，OP1-运算放大器，M2-第二忆阻器，R2-第二电阻，OP2-比较器，M3-第三忆阻器，R3-第三电阻，Rth-第四电阻，Vth-阈值电压，R0-第五电阻，POT1-第一电位器，POT2-第二电位器，POT3-第三电位器，RV-第六电阻。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1、图2、图3及图4，本发明第一实施方式提供的基于忆阻器中电池效应的人工神经元，所述人工神经元能够实现生物神经元中的漏电整合和放电功能，通过局部分级电位的变化，对其他神经元传递来的电信号进行时间和空间的整合；基于具有电池效应的忆阻器产生的动作电位作用到突触上，可以通过活动时序相关的可塑性(Spike-timing-dependent plasticity，STDP)规则来调节突触的可塑性，实现对脉冲活动的时间编码。该人工神经元可以为硬件模拟大脑神经网络结构提供基本单元，克服现有技术存在的类生物神经元动作电位发放困难，数模电路混用等技术问题。基于该人工神经元构造的信息处理系统，可在硬件上并行处理大量信息，提升传统基于冯·诺伊曼结构的计算机在图像识别、信息的学习、推理和决策等智能方面的运算速度和效率，降低了使用功耗。
所述人工神经元包括人工突触阵列、加法器、第二忆阻器M2、比较器OP2及动作电位发生器，所述人工突触阵列的输出端连接于所述加法器的输入端，所述加法器的输出端连接于所述第二忆阻器M2的一端，所述第二忆阻器M2的另一端分为两路，一路通过第二电阻R2接地，另一端连接于所述比较器OP2的负向输入端，所述比较器OP2的正向输入端接阈值电压Vth。所述比较器OP2的输出端连接于所述动作电位发生器的输入端，所述动作电位发生器的输出端用于连接下一级人工神经元的人工突触阵列，且所述动作电位发生器基于电池效应输出一个类生物神经元动作电位的电信号。本实施方式中，所述第二忆阻器M2为具有电池效应的完全易失性忆阻器；所述第三忆阻器M3为具有电池效应的忆阻器。
所述人工突触阵列用于各个人工神经元之间的连接，其接收上一级人工神经元传来的电信号，并依据自身的电导按照比例向后传播。所述人工突触阵列是由若干个并联的忆阻器组成，其各个突触采用非易失性忆阻器。各个忆阻器的一端通过导线连接于上一级人工神经元，另一端汇接为一路与所述加法器的输入端相连接。本实施方式中，所述人工突触阵列包括忆阻器M11、忆阻器M12……忆阻器M1i。
本实施方式中，所述人工突触阵列为忆阻器阵列，采用Pt/SrTiO3/Nb-SrTiO3(铂/钛酸锶/铌掺杂的钛酸锶)忆阻器；当施加正向扫描电压时，该忆阻器转变到低阻态；当施加负向扫描电压时，该忆阻器转变到高阻态；当施加连续的正向脉冲信号时，该忆阻器的电阻逐渐减小；当施加连续的负向脉冲信号时，该忆阻器的电阻逐渐增加；同时，该忆阻器的阻态会随着时间慢慢变化，由低阻自发部分恢复到一个较高阻态；该忆阻器的制造步骤如下：在脉冲激光沉积设备中，以Nb-SrTiO3单晶为基体沉积一层SrTiO3；随后利用磁控溅射设备在SrTiO3顶部镀上Pt电极，制备出具有类突触功能的半易失性Pt/SrTiO3/Nb-SrTiO3忆阻器。
所述加法器用于对来自所述人工突触阵列的电信号进行加和，加和得到的信号用于调节所述第二电阻R2的阻值，从而实现对神经元膜电位的模拟。本实施方式中，所述加法器为运算放大器OP1和第一电阻R1构成的反相求和器，所述运算放大器OP1与所述第一电阻R1并联，所述人工突触阵列的输出端分别连接于所述运算放大器OP1的负向输入端及所述第一电阻R1的一端，所述第一电阻R1的另一端连接于所述运算放大器OP1的输出端，所述运算放大器OP1的正向输入端接地，其输出端连接于所述第二忆阻器M2。
所述第二忆阻器M2用于表达局部分级电位，其电阻变化完全易失且具有电池效应，所述第二忆阻器M2在一个动作电位到达后的很短时间内，自发的衰减使其恢复到高阻态，实现初始局部分级电位的表达。所述第二忆阻器M2的输出电位用于模拟神经元细胞膜的局部分级电位。本实施方式中，所述第二忆阻器M2采用W/WO3/PEDOT:PSS/Pt(钨/氧化钨/聚(3,4-亚乙二氧基噻吩)-聚(苯乙烯磺酸)/铂)完全易失性忆阻器；当施加正向扫描电压2V时，所述第二忆阻器M2的电阻下降至200kΩ；当向反方向扫描至0V时，电流不回到初始值，表现出一定的电池效应，图2中的b图是扫描后的短路电流随时间变化的曲线；施加不同幅值或不同的脉冲信号的响应如图2中的c图和d图所示，随着脉冲幅值和频率的增加，该第二忆阻器M2产生的电流值越大，并在很短的时间内就可以恢复初始状态。该第二忆阻器M2的制作流程为：在磁控溅射设备中，以覆有一定厚度的氧化层的单晶硅片作为基体，首先镀一层Ti作为为黏附层，随后镀Pt作为集流体；然后采用旋涂的方法得到PEDOT:PSS作为底电极，在电场的作用下提供质子；再通过磁控溅射沉积WO3和W分别作为为功能层和顶电极，以制备得到具有完全易失性的W/WO3/PEDOT:PSS/Pt忆阻器。
所述比较器OP2的正向输入端接阈值电压Vth，其输出端连接于所述动作电位发生器。所述比较器OP2用于比较所述第二电阻R2对地电压与所述阈值电压Vth的大小，当所述第二电阻R2对地的电压大于所述阈值电压Vth时，所述比较器OP2输出一个下降沿以用于激励所述动作电位发生器。本实施方式中，所述阈值电压Vth大小选取准则是确保只有少数或低频输入信号时，经时间和空间整合后局部分级电位小于阈值电压Vth，而当较多或者高频输入信号时，整合后局部分级电位大于所述阈值电压Vth。
所述动作电位发生器包括定时器及第三忆阻器M3，所述定时器的输入端连接于所述比较器OP2的输出端，其输出端连接于所述第三忆阻器M3的输入端，所述第三忆阻器M3的输出端分为两路，一路经所述第三电阻R3接地，以将电流信号转变成电压信号，另一路用于与下一级人工神经元的突触相连接。所述定时器体现出单稳态的特性，其接收到一个下降沿信号时会输出一个脉宽由电路元件决定的高电平信号。所述定时器输出的高电平会降低所述第三忆阻器M3的电阻造成的影响，从而逐渐增加所述第三忆阻器M3输出的电压；当高电平结束时，所述第三忆阻器M3由于自身电池效应会输出一个变化的负向电压，所述动作电位发生器结合两部分最终向外输出一个类生物神经元动作电位的电信号。所述动作电位发生器还用于对其连接的下一级人工神经元的人工突触阵列权重进行调节，其是按照突触活动时序相关的可塑性(Spike-timing-dependent plasticity，STDP)原则对各个突触电阻分别进行调节的。具体地，当所述动作电位发生器发出电信号后，如果上一级人工神经元在一段时间后也发了一个动作电位，则连接于所述动作电位发生器的突触的电导变小，权重变小；当所述动作电位发生器发出电信号后，如果上一级人工神经元在一段时间前发了一个动作电位，则连接于所述动作电位发生器的突触的电导变大，权重变大。
本实施方式中，所述第三忆阻器M3是一个离子和电子的混合导体，其中离子在电场的作用下发生迁移，使所述第三忆阻器M3整体的电阻发生变化并促使一部分离子进行聚集；撤去电场后，聚集的离子在浓度梯度的作用下向回扩散，从而产生负向电位。
所述人工神经元工作时，经由所述人工突触阵列同时输入的上一级人工神经元信号通过所述加法器相加以进行电信号的实时整合，整合不同数量的电信号来改变输入到所述第二忆阻器M2的电压幅值，输入的电压幅值越高，脉冲结束时所述第二忆阻器M2的电阻越低，从而增加局部分级电位；所述第二忆阻器M2的电导会在较快的时间内完全易失，如果在完全易失之前又有电信号输入(即电信号输入时间间隔小于第二忆阻器M2的易失时间)，则会造成累积效应，从而完成人工神经元的时间整合功能；在时间整合和空间整合的共同作用下，当局部分级电位超过阈值电压Vth时，所述比较器OP2向所述定时器输出一个下降沿，进而激发所述定时器输出一个固定脉宽的高电平，并与所述第三忆阻器M3相互作用后向后一级人工神经元输出一个类动作电位的电信号。
所述人工神经元在不同类型信号作用下时，输入经过加法器整合过的信号Input，当Input的幅值从-1.5V增加到-4.0V，与所述第二忆阻器M2串联的所述第二电阻R2上的电位(LGP)也随着增加，当幅值达到和超过-2.5V时，LGP超过了提前设定好的阈值电压Vth，所述动作电位发生器开始起作用，向后输出类生物信号的动作电位；另一种情况，当Input的幅值小于-2.5V，虽然单个以及低频脉冲不能激发后续电路，但是随着频率的不断增加，多个脉冲之间有一个累计效应，在幅值为-2.3V的情况下，当频率大于167Hz时，LGP同样可以大于设定的阈值电压Vth，并向后输出动作电位；并且随着频率的增加，局部分级电位达到阈值所需的脉冲个数逐渐减少。
请参阅图5，本发明第二实施方式提供的基于忆阻器中电池效应的人工神经元，所述人工神经元包括人工突触阵列、加法器、第二忆阻器M2、第二电阻R2、第四电阻Rth、第一电位器POT1、第二电位器POT2、第三电位器POT3、比较器、第五电阻R0、555芯片、第六电阻RV、第三忆阻器M3及第三电阻R3。所述人工突触阵列包括并联的忆阻器M11、忆阻器M12及忆阻器M13，所述忆阻器M11的一端、所述忆阻器M12的一端及所述忆阻器M13的一端通过导线连接于上一级人工神经元，所述忆阻器M11的另一端、所述忆阻器M12的另一端及所述忆阻器M13的另一端分别与所述加法器的输入端相连接。
所述加法器包括并联的第一电阻R1及运算放大器OP，所述第一电阻R1的一端连接于所述人工突触阵列的输出端，另一端连接于所述运算放大器OP的输出端。所述运算放大器OP的负向输入端连接于所述人工突触阵列的输出端，其正向输入端接地且其输出端连接于所述第二忆阻器M2的输入端。
所述第二忆阻器M2的输出端分为两路，一路通过所述第二电阻R2接地，另一路连接于所述比较器OP2的负向输入端。所述比较器的正向输入端还通过所述第四电阻Rth接地。同时，所述比较器的正向输入端通过所述第一电位器POT1接地。所述比较器的输出端连接于所述555芯片的端点2。所述第二电位器POT2的一端连接于所述555芯片的端点6及端点7，另一端连接于所述第一电位器POT1与地端之间的节点。所述第五电阻R0的一端连接于所述第一电位器POT1与所述第二电位器POT2之间的节点上，另一端连接于所述比较器与所述555芯片之间的节点。所述555芯片的端点3连接于所述第三电位器POT3的一端，所述第三电位器POT3的另一端通过所述第六电阻RV接地。所述555芯片的端点1接地，其端点8连接于所述第五电阻R0与所述第二电位器POT2之间的节点。所述555芯片的端点4通过所述第五电阻R0与所述第二电位器POT2之间的节点接电压VCC。所述芯片555的端点6及端点7通过所述第一电容C1接地。所述第三忆阻器M3的一端通过所述第六电阻RV接地，另一端用于连接下一级人工神经元。所述第三电阻R3的一端连接于所述第三忆阻器M3的输出端，另一端接地。
所述人工突触阵列作为神经突触，电信号(这些信号来自于上一级神经元产生的动作电位)经由3个突触进行求和及空间整合，并改变所述第二忆阻器M2的电阻，反相求和运算放大器将信号的放大倍数取决于所述第二电阻R2和所述人工突触阵列的阻值比。当所述第二忆阻器M2的电阻减小到一定程度，整合信号在所述第二电阻R2的分压较高时，促使后面的所述动作电位发生器发出和上一级神经元电路一样的动作电位。所述第二忆阻器M2为完全易失性忆阻器，即该器件在电脉冲作用后转变低阻态，该低阻态保持不住，会随着时间而自发恢复到原来高阻态，如同神经元中局部分级电位。
本发明提供的基于忆阻器中电池效应的人工神经单元，突触阵列的忆阻器为非易失性忆阻器、表达局部分级电位及信号发射的忆阻器选用具有电池效应的易失性忆阻器、运算放大器、电阻、比较器、定时器等等均为成熟商业器件或者设备。通过对所选器件和构建的人工神经元电路进行仿真，并具有突触基本单元。该神经元电路能够实现生物神经元中的整合功能，表达出局部分级电位并自发衰减，也具有发放类生物神经元动作电位并对连接的突触的可塑性进行调节。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于忆阻器中电池效应的人工神经元，其特征在于：
所述人工神经元包括人工突触阵列、加法器、第二忆阻器、比较器及动作电位发生器，所述人工突触阵列的输出端连接于所述加法器的输入端，所述加法器的输出端连接于所述第二忆阻器的一端，所述第二忆阻器的另一端分为两路，一路通过第二电阻接地，另一路连接于所述比较器的负向输入端，所述比较器的正向输入端接阈值电压；所述比较器的输出端连接于所述动作电位发生器的输入端，所述动作电位发生器的输出端用于连接下一级人工神经元的人工突触；
所述动作电位发生器基于电池效应输出一个类生物神经元动作电位的电信号；所述第二忆阻器为具有电池效应的完全易失性忆阻器。
2.如权利要求1所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述人工突触阵列用于各个人工神经元之间的连接，其同时用于接收上一级人工神经元传来的电信号，并根据自身的电导按照比例向后传播；所述人工突触阵列为忆阻器阵列。
3.如权利要求2所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述人工突触阵列包括多个并联的非易失性忆阻器，各个忆阻器的一端通过导线连接于上一级人工神经元，另一端汇接为一路而连接于所述加法器的输入端。
4.如权利要求1所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述加法器用于对来自所述人工突触阵列的电信号进行加和，加和得到的信号用于调节所述第二电阻的电阻，从而实现对神经元膜电位的模拟；所述加法器为运算放大器与第一电阻构成的反相求和器。
5.如权利要求4所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述运算放大器与所述第一电阻并联，所述人工突触阵列的输出端分别连接于所述运算放大器的负向输入端及所述第一电阻的一端，所述第一电阻的另一端连接于所述运算放大器的输出端，所述运算放大器的正向输入端接地，其输出端连接于所述第二忆阻器。
6.如权利要求1所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述比较器用于比较所述第二电阻对地电压与所述阈值电压的大小，当所述第二电阻对地的电压大于所述阈值电压时，所述比较器输出一个下降沿以用于激励所述动作电位发生器。
7.如权利要求1所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述动作电位发生器包括定时器及第三忆阻器，所述定时器的输入端连接于所述比较器的输出端，其输出端连接于所述第三忆阻器的输入端，所述第三忆阻器的输出端分为两路，一路经第三电阻接地，另一路用于与下一级人工神经元的突触相连接。
8.如权利要求7所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述定时器体现出单稳态的特性，其接收到一个下降沿信号时会输出一个高电平信号；所述定时器为555芯片。
9.如权利要求7所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述第三忆阻器为具有电池效应的忆阻器。
10.如权利要求1-8任一项所述的基于忆阻器中电池效应的人工神经元，其特征在于：所述动作电位发生器还用于对其连接的下一级人工神经元的人工突触阵列的权重进行调节，其是按照突触活动时序相关的可塑性原则对各个突触电阻分别进行调节的。
CN201811075282.6A 2018-09-14 2018-09-14 一种基于忆阻器中电池效应的人工神经元 Active CN109447250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811075282.6A CN109447250B (zh) 2018-09-14 2018-09-14 一种基于忆阻器中电池效应的人工神经元

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811075282.6A CN109447250B (zh) 2018-09-14 2018-09-14 一种基于忆阻器中电池效应的人工神经元

Publications (2)

Publication Number Publication Date
CN109447250A CN109447250A (zh) 2019-03-08
CN109447250B true CN109447250B (zh) 2020-07-10

Family

ID=65532569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811075282.6A Active CN109447250B (zh) 2018-09-14 2018-09-14 一种基于忆阻器中电池效应的人工神经元

Country Status (1)

Country Link
CN (1) CN109447250B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135571B (zh) * 2019-04-11 2023-09-29 上海集成电路研发中心有限公司 一种基于细胞突触结构的单层线性神经网络
CN110428050B (zh) * 2019-08-25 2024-04-05 湖北大学 一种基于忆阻器实现多样化stdp学习规则的突触仿生电路
CN110797063B (zh) * 2019-09-17 2021-05-25 华中科技大学 忆阻器存储芯片及其操作方法
CN111210013B (zh) * 2019-12-30 2023-04-07 清华大学 阈值可塑的人工神经元电路
CN111244270B (zh) * 2020-01-16 2021-08-24 北京大学 一种模拟生物神经元功能的电子器件及方法
CN111461312B (zh) * 2020-03-26 2022-04-22 华中科技大学 一种基于忆阻器随机丢弃神经元
CN111667059B (zh) * 2020-05-13 2022-09-13 清华大学 一种基于相变纳米颗粒镶嵌氮化物的人工神经元器件
CN112599664B (zh) * 2020-11-25 2023-09-22 南京大学 一种模拟神经突触的超低能耗柔性薄膜忆阻器及其制备方法
CN113076827B (zh) * 2021-03-22 2022-06-17 华中科技大学 一种传感器信号智能处理系统
CN112906880B (zh) * 2021-04-08 2022-04-26 华中科技大学 一种基于忆阻器的自适应神经元电路
CN113437216B (zh) * 2021-07-06 2023-04-07 武汉理工大学 一种基于电子-离子混合导体的忆阻器及其制备方法
CN116663632B (zh) * 2023-08-02 2023-10-10 华中科技大学 感存算一体智能感知系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815636A (zh) * 2016-12-30 2017-06-09 华中科技大学 一种基于忆阻器的神经元电路
CN106845634A (zh) * 2016-12-28 2017-06-13 华中科技大学 一种基于忆阻器件的神经元电路
CN107408222A (zh) * 2015-03-13 2017-11-28 国际商业机器公司 神经形态突触

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8909575B2 (en) * 2012-02-29 2014-12-09 Qualcomm Incorporated Method and apparatus for modeling neural resource based synaptic placticity
US10650308B2 (en) * 2015-09-23 2020-05-12 Politecnico Di Milano Electronic neuromorphic system, synaptic circuit with resistive switching memory and method of performing spike-timing dependent plasticity

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107408222A (zh) * 2015-03-13 2017-11-28 国际商业机器公司 神经形态突触
CN106845634A (zh) * 2016-12-28 2017-06-13 华中科技大学 一种基于忆阻器件的神经元电路
CN106815636A (zh) * 2016-12-30 2017-06-09 华中科技大学 一种基于忆阻器的神经元电路

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STDP Learning Rule Based on Memristor with STDP Property;Ling Chen,et al;《2014 International Joint Conference on Neural Networks (IJCNN)》;20140904;正文第1-6页 *
用于信息存储、逻辑运算和大脑神经功能模拟的忆阻型离子器件;郭新 等;《科学通报》;20140904;正文第2926-2936页 *

Also Published As

Publication number Publication date
CN109447250A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447250B (zh) 一种基于忆阻器中电池效应的人工神经元
US8250010B2 (en) Electronic learning synapse with spike-timing dependent plasticity using unipolar memory-switching elements
Park et al. Neuromorphic speech systems using advanced ReRAM-based synapse
US20100299297A1 (en) System for electronic learning synapse with spike-timing dependent plasticity using phase change memory
CN106845634B (zh) 一种基于忆阻器件的神经元电路
Cantley et al. Neural learning circuits utilizing nano-crystalline silicon transistors and memristors
KR102230784B1 (ko) Stdp 동작을 위한 시냅스 회로 및 시냅스 회로를 포함하는 뉴로모픽 시스템
CN111967589B (zh) 神经元模拟电路及其驱动方法、神经网络装置
US20190303744A1 (en) Capacitive artificial neural networks
CN108664735B (zh) 基于多值忆阻器的stdp脉冲设计方法和多样化stdp的实现方法
CN112906880B (zh) 一种基于忆阻器的自适应神经元电路
US8832011B2 (en) Electronic synapses from stochastic binary memory devices
CN107122828B (zh) 电路结构及其驱动方法、神经网络
CN110739393A (zh) 一种仿生突触器件及其制作方法及其应用
CN112598124A (zh) 神经元模拟电路及神经网络装置
US11531872B2 (en) Neuron circuit using p-n-p-n diode without external bias voltages
Mahalanabis et al. Demonstration of spike timing dependent plasticity in CBRAM devices with silicon neurons
CN109165731B (zh) 电子神经网络及其参数设置方法
CN111461312B (zh) 一种基于忆阻器随机丢弃神经元
Afifi et al. CMOL implementation of spiking neurons and spike‐timing dependent plasticity
CN115906961B (zh) 基于易失性阈值阻变忆阻器的自适应人工脉冲神经元电路
Singha et al. Analog memristive time dependent learning using discrete nanoscale RRAM devices
Cantley et al. Spatio-temporal pattern recognition in neural circuits with memory-transistor-driven memristive synapses
Wu et al. Enabling bio-plausible multi-level stdp using cmos neurons with dendrites and bistable rrams
CN111656369A (zh) 类神经电路以及运作方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant