CN109948792B - 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法 - Google Patents

一种基于晶体管和忆阻器的模拟联想学习电路及控制方法 Download PDF

Info

Publication number
CN109948792B
CN109948792B CN201810999473.5A CN201810999473A CN109948792B CN 109948792 B CN109948792 B CN 109948792B CN 201810999473 A CN201810999473 A CN 201810999473A CN 109948792 B CN109948792 B CN 109948792B
Authority
CN
China
Prior art keywords
memristor
stimulation signal
nmos tube
simulated
electrode
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
CN201810999473.5A
Other languages
English (en)
Other versions
CN109948792A (zh
Inventor
徐海阳
汪聪
杜怡明
王中强
林亚
赵晓宁
刘益春
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.)
Northeast Normal University
Original Assignee
Northeast Normal University
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 Northeast Normal University filed Critical Northeast Normal University
Priority to CN201810999473.5A priority Critical patent/CN109948792B/zh
Publication of CN109948792A publication Critical patent/CN109948792A/zh
Application granted granted Critical
Publication of CN109948792B publication Critical patent/CN109948792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • General Preparation And Processing Of Foods (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)

Abstract

本发明涉及一种基于晶体管和忆阻器的模拟联想学习电路及控制方法，nMOS管、忆阻器、定值电阻进行串联，nMOS管的漏极连接忆阻器的顶电极，忆阻器的底电极连接定值电阻的一端，定值电阻另一端接入地，反向器接在nMOS管的栅极与源极之间，示波器与定值电阻并联，模拟食物刺激信号输入端和模拟铃声刺激信号输入端均与反相器、nMOS管连接；nMOS管栅极为控制信号输入端；本发明通过电压脉冲叠加来获得忆阻器在高电阻状态和低电阻状态之间的转换，并通过检测输出电平来确定是否发生了联合学习；不仅模拟联想学习实验中的学习，记忆和退灭这三个经典过程，还模拟了条件刺激和非条件刺激之间的时间间隔对记忆时间的影响。

Description

一种基于晶体管和忆阻器的模拟联想学习电路及控制方法
技术领域
本发明涉及一种模拟联想学习的电路，具体涉及一种基于晶体管和忆阻器的模拟联想学习电路及控制方法。
背景技术
联想记忆是神经网络认知学习的重要功能之一，其神经生物学基础是神经突触的可塑性。人们认识客观世界是通过事物之间的联系，由一事物联想到另一事物，并用联想记忆的方式加以固定。目前，人们期望利用电子器件模拟联想记忆，来实现人工智能，模式识别和智能控制等功能应用。然而在传统的人工网络模拟中，需要使用大量晶体管、电容、和加法器来实现一组神经元和突触的功能，这样大大限制了其集成性。而两终端器件忆阻器，在结构和机理层面与神经突触具有高度的相似性，被认为是模拟神经突触最具潜力的电子器件之一。利用忆阻器能够有效的模拟神经突触的基本功能，甚至更高阶的学习功能，如条件反射巴甫洛夫狗实验等。传统的模拟方法是利用忆阻器构建神经电路，通过交叠食物和铃声刺激获得更高幅值的刺激，改变忆阻器的电导状态，最终使得铃声成为能够诱导狗分泌唾液的非条件刺激。然而，这种方法没有表现出联想记忆基于刺激信号时间关系的基本生物行为。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于晶体管和忆阻器的模拟联想学习电路及控制方法，通过电压脉冲叠加来获得忆阻器在高电阻状态和低电阻状态之间的转换，并通过检测输出电平来确定是否发生了联合学习；不仅模拟联想学习实验中的学习，记忆和退灭这三个经典过程，还模拟了条件刺激和非条件刺激之间的时间间隔对记忆时间的影响。
(二)技术方案
本发明的一种基于晶体管和忆阻器的模拟联想学习电路，包括：反向器，nMOS管，忆阻器，定值电阻，示波器，模拟食物刺激信号输入端，模拟铃声刺激信号输入端，所述nMOS管、忆阻器、定值电阻进行串联，所述nMOS管的漏极连接忆阻器的顶电极，忆阻器的底电极连接定值电阻的一端，定值电阻另一端接入地，反向器接在nMOS管的栅极与源极之间，所述示波器与定值电阻并联，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端均与反相器、nMOS管连接；所述nMOS管栅极为控制信号输入端，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端设有一系列电压脉冲来代表巴普洛夫狗实验中的食物刺激信号和铃声刺激信号；通过调节nMOS管的栅极电压，调控流经忆阻器的限制电流，在定值电阻两端的分压上来获得不同的输出反应信号。
其中，所述模拟食物刺激信号中的正向脉冲幅值大于忆阻器的开启电压，模拟食物刺激信号中的负向脉冲，幅值大于忆阻器的关闭电压；模拟铃声刺激信号的正向脉冲是缓慢增加的，其最大值小于忆阻器的开启电压；其负向脉冲的幅值接近但不大于忆阻器的关闭电压。
其中，所述忆阻器包括顶电极203、功能材料层202、底电极201和衬底200；底电极201与衬底200连接，功能材料层202与底电极201连接，顶电极203与功能材料层202连接，顶电极类比于突触前膜；底电极类比于突触后膜；功能材料层类比于突触间隙，其电阻态用于模拟突触权重。
突触前膜、突触后膜、突触间隙、突触权重是属于神经网络的范围。突触是指一个神经元的冲动传到另一个神经元或传到另一细胞间的相互接触的结构。突触是神经元之间在功能上发生联系的部位，也是信息传递的关键部位。突触一般是由突触前膜、突触间隙和突触后膜三部分构成。突触权重是指两个节点之间联系的强度或幅度。其电阻态指的是忆阻器的电阻状态，即电阻值。
其中，所述功能材料层为氧化物材料层TiOx、TaOx、WOx、NiOx、HfOx、ZrOx、NbOx、或VOx。
其中，所述功能材料层为硫系化合物功能层Ag2Se、Ag2S、Cu2S、Ge2Sb2Te、GeTe或AgInSbTe。
其中，所述功能材料层为碳材料层GO、或α-C。
本发明的一种基于晶体管和忆阻器的模拟联想学习电路的控制方法，有以下步骤：
模拟单独铃声时，在nMOS管源极施加模拟铃声刺激信号脉冲，同时模拟铃声刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟单独食物时，在nMOS管源极施加模拟食物刺激信号脉冲，同时模拟食物刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟铃声刺激信号与模拟食物刺激信号共同作用时，模拟铃声刺激信号与模拟食物刺激信号叠加后施加在nMOS管源极，同时叠加后的信号通过反向器后与控制信号再叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟联想学习的结果和遗忘过程时，重复上述模拟单独铃声的模拟过程；如果定值电阻分压大于设定的值，就再重复模拟单独铃声的模拟过程，直到定值电阻分压小于设定的值。
(三)有益效果
本发明的优点在于：通过电压脉冲叠加来获得忆阻器在高电阻状态和低电阻状态之间的转换，并通过检测输出电平来确定是否发生了联合学习；不仅模拟联想学习实验中的学习，记忆和退灭这三个经典过程，还模拟了条件刺激和非条件刺激之间的时间间隔对记忆时间的影响。
附图说明
图1为依照本发明实施例的基于晶体管和忆阻器的模拟联想学习的电路图；
图2为依照本发明实施例选取的忆阻器结构图；
图3为依照本发明实施例选取的忆阻器在不同限制电流下的电流-电压图；
图4为依照本发明实施例选取的忆阻器在不同关闭电压下的脉冲图；
图5为依照本发明实施例的信号设计图；
图6为依照本发明实施例的联想学习和退灭过程曲线图；
图7为依照本发明实施例的食物和铃声刺激时间间隔对联想记忆的影响示意图；
图8为本发明的nMOS管的输出特性曲线图。
图中：101为模拟食物刺激信号输入端；102为模拟铃声刺激信号输入端；103为反相器；104为nMOS管；105为栅极电压输入端；106为忆阻器；107为定值电阻；108为示波器读取定值电阻两端电压输出信号；V为示波器；200为衬底，201为底电极，202为功能材料层，203为顶电极；601为模拟铃声刺激信号；602为模拟食物刺激信号；603为控制信号；Δt：时间间隔；Icc：限制电流；Vreset：关闭电压；13th：示波器显示的第13个脉冲；9th：示波器显示的第9个脉冲；7th：示波器显示的第7个脉冲。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明的一种基于晶体管和忆阻器的模拟联想学习电路，包括：反向器，nMOS管，忆阻器，定值电阻，示波器，模拟食物刺激信号输入端，模拟铃声刺激信号输入端，所述nMOS管、忆阻器、定值电阻进行串联，所述nMOS管的漏极连接忆阻器的顶电极，忆阻器的底电极连接定值电阻的一端，定值电阻另一端接入地，反向器接在nMOS管的栅极与源极之间，所述示波器与定值电阻并联，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端均与反相器、nMOS管连接；所述nMOS管栅极为控制信号输入端，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端设有一系列电压脉冲来代表巴普洛夫狗实验中的食物刺激信号和铃声刺激信号；通过调节nMOS管的栅极电压，调控流经忆阻器的限制电流，在定值电阻两端的分压上来获得不同的输出反应信号。
其中，所述模拟食物刺激信号中的正向脉冲幅值大于忆阻器的开启电压，模拟食物刺激信号中的负向脉冲，幅值大于忆阻器的关闭电压；模拟铃声刺激信号的正向脉冲是缓慢增加的，其最大值小于忆阻器的开启电压；其负向脉冲的幅值接近但不大于忆阻器的关闭电压。
其中，所述忆阻器包括顶电极203、功能材料层202、底电极201和衬底200；底电极201与衬底200连接，功能材料层202与底电极201连接，顶电极203与功能材料层202连接，顶电极类比于突触前膜；底电极类比于突触后膜；功能材料层类比于突触间隙，其电阻态用于模拟突触权重。
突触前膜、突触后膜、突触间隙、突触权重是属于神经网络的范围。突触是指一个神经元的冲动传到另一个神经元或传到另一细胞间的相互接触的结构。突触是神经元之间在功能上发生联系的部位，也是信息传递的关键部位。突触一般是由突触前膜、突触间隙和突触后膜三部分构成。突触权重是指两个节点之间联系的强度或幅度。其电阻态指的是忆阻器的电阻状态，即电阻值
所述功能材料层为氧化物材料层TiOx、TaOx、WOx、NiOx、HfOx、ZrOx、NbOx、或VOx。
所述功能材料层为硫系化合物功能层Ag2Se、Ag2S、Cu2S、Ge2Sb2Te、GeTe或AgInSbTe。
所述功能材料层为碳材料层GO、或α-C。
本发明的一种基于晶体管和忆阻器的模拟联想学习电路的控制方法，有以下步骤：
模拟单独铃声时，在nMOS管源极施加模拟铃声刺激信号脉冲，同时模拟铃声刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟单独食物时，在nMOS管源极施加模拟食物刺激信号脉冲，同时模拟食物刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟铃声刺激信号与模拟食物刺激信号共同作用时，模拟铃声刺激信号与模拟食物刺激信号叠加后施加在nMOS管源极，同时叠加后的信号通过反向器后与控制信号再叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟联想学习的结果和遗忘过程时，重复上述模拟单独铃声的模拟过程；如果定值电阻分压大于设定的值，就再重复模拟单独铃声的模拟过程，直到定值电阻分压小于设定的值。
实施例
如图1为本发明实施例的模拟联想记忆的电路图。101为模拟食物刺激信号输入端；102为模拟铃声刺激信号输入端；103为反相器；104为nMOS管；105为栅极电压输入端；106为忆阻器；107为定值电阻；108示波器读取定值电阻两端电压输出信号。
如图2为本发明方法中使用的缓变型忆阻器的结构图。如图2所示，200为衬底，201为底电极，202为功能材料层，203为顶电极。
所述衬底200为平整的硬质衬底：如Si片，带SiO2层的Si片或者石英；
所述底电极201为导电薄膜，如Pt或Au或等；
所述功能材料层202为双层AgInSbTe/α-C薄膜；
所述顶电极203为活性金属，如Ag或Cu等；
如图3是示出根据本发明的一种实施例，基于忆阻器的神经突触器件电阻值能被施加电压调节：正向电压减小器件电阻；反向电压增加器件电阻。限制电流越大，正向电压下器件电阻越低。
如图4是示出相同限制电流下，不同关闭电压调节器件电阻值：关闭电压越大，器件电阻增加越大；关闭电压越小，器件电阻增加越小。
如表5为模拟联想记忆的四个步骤真值表：一、单独摇铃刺激，不产生唾液分泌；二、单独食物刺激，产生唾液分泌；三、联合摇铃和食物刺激，产生唾液分泌；四、联合学习后，单独的摇铃刺激，产生唾液分泌。
表5
学习 非条件刺激(食物) 条件刺激(铃声) 响应
步骤一 0 1 0
步骤二 1 0 1
步骤三 1 1 1
步骤四 0 1 1
图5是示出根据本发明的实施例。在101端施加铃声刺激信号601，在102端施加食物刺激信号602。神经突触器件初始态为高阻态。
图6示出施加图5的信号脉冲，模拟联想学习记忆和退灭过程：
模拟单独铃声时，在nMOS管源极施加模拟铃声刺激信号脉冲，同时模拟铃声刺激信号脉冲通过反向器后与控制信号叠加后共同施加于nMOS管栅极。通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值(虚线为参考值)，认为狗不分泌唾液。
模拟单独食物时，在nMOS管源极施加模拟食物刺激信号脉冲，同时模拟食物刺激信号脉冲通过反向器后与控制信号叠加后共同施加于nMOS管栅极。通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液。
模拟铃声与食物共同作用时，铃声信号与食物信号叠加后施加在nMOS管源极，同时叠加后的信号通过反向器后与控制信号再叠加后共同施加于nMOS管栅极。通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液。
模拟联想学习的结果和遗忘过程时，重复单独铃声的模拟过程。如果定值电阻分压大于设定的值，就再重复单独铃声的模拟过程，直到定值电阻分压小于设定的值。
图7示出施加图5信号脉冲，探究食物和铃声刺激时间间隔对联想记忆的影响：
改变食物和铃声信号的时间间隔，重复图6所述步骤操作，获得不同的联想记忆退灭过程：时间间隔越短，联想记忆维持时间越长；时间间隔越长，联想记忆维持时间越短。
利用本发明设计的电路不仅完整模拟了巴普洛夫狗实验中的四个具体步骤，还具体模拟了第三步中铃声信号与食物信号之间时间间隔长短对联想记忆的影响。本发明利用铃声信号设计的正向幅值的变化，使其与食物信号叠加时，不同的时间间隔下导致其正向脉冲的最大幅值不同，在与控制信号脉冲叠加后，使得加在晶体管栅极的脉冲随着时间间隔的不同而变化。时间间隔越小，栅极电压的正向幅值越大，使得电路中允许通过的电流越大。此时，忆阻器能开启到更低的阻态。而负向脉冲叠加时，不同时间间隔的负向脉冲之间幅值变化不大。因此更低的电阻态用负向脉冲关闭时所需的次数越多。即越短的时间间隔，联想学习的记忆时间越长。
本发明提供了一种基于晶体管和忆阻器模拟联想学习的电路。所选忆阻器为两端结构，结构简单，器件尺寸可低至纳米量级，功耗小，有较大可能性运用于大规模神经网络；利用该忆阻器模拟联想记忆不仅能够同时模拟联想学习和退灭等特性，而且能够展现学习时间相关性对记忆的影响，更加准确再现了联想学习的过程。
巴普洛夫狗实验是生物学里揭示联想学习的经典实验，因而本发明以模拟巴甫洛夫狗实验为代表，来实现对生物联想学习的模拟。
巴甫洛夫狗实验是是表现生物联想学习的经典实验，由俄国著名生理学家巴甫洛夫提出。他在研究消化现象时，观察了狗的唾液分泌，即对事物的一种反应特征。
他的实验方法是，把食物显示给狗看并测量其唾液分泌。在这个过程中，他发现如果随同食物反复给一个铃响刺激，会让狗逐渐“学会”在只有铃响没有食物的情况分泌唾液。依照该实验，巴甫洛夫提出了他的条件反射学说：条件反射是在大脑皮层的参与下实现的，是动物在后天生活中逐渐建立起来的一种反应，它很容易随着环境的改变而改变。条件反射增强了动物适应周围环境的能力，是动物在自然环境中生存下来的基础。
在巴普洛夫狗实验中，“食物”为非条件刺激(Unconditioned stimulus,UCS)，“铃声”开始为中性刺激(Neutral stimulus,NS)，经过联想学习后变为条件刺激(Conditionedstimulus,CS)。实验训练过程在图5中给出，第一步，当单独给狗施加“铃声”刺激时，狗不会分泌唾液；第二步，当单独给狗施加“食物”刺激时，狗会分泌唾液；第三步，同时给狗施加“食物”和“铃声”刺激时，狗会分泌唾液；第四步，单独给狗施加“铃声”刺激，狗会分泌唾液。这个时候对比第一和第四步，同样的单独铃声刺激，狗对其之前无反应，之后有反应，说明狗通过联合学习后，成功的将食物刺激食物分泌唾液行为和铃声之间建立了联系。这种学习方式成为联想式学习。
所述忆阻器的阻值范围为200Ω到10000Ω；能让忆阻器从高阻态向低阻态转变的电压(开启电压)为0.3V左右，从低阻态向高阻态转变的电压(关闭电压)为-0.3V左右，其具体的电流、电压曲线如图3所示。定值电阻与忆阻器的低阻值接近为200Ω左右。
Icc是指限制电流(compliance current)，Vreset是指关闭电压，即使忆阻器从低阻态向高阻态转变的电压。13th是指第13次，即示波器显示的第13个脉冲，在图中表示第13个铃声信号后定值电阻分压小于参考值，认为狗在第13个铃声信号后不再分泌唾液。9th和7th同理。
反相器是晶体管组成的开关电路。反相器可以将输入信号的相位反转180度。
两个输入端：101为模拟食物刺激信号输入端；102为模拟铃声刺激信号输入端；是用脉冲发生器的脉冲实现信号输入的。脉冲发生器的型号TGA12104，能做任意波形的脉冲发生器。
如上所述，便可较为充分的实现本发明。以上所述仅为本发明的较为合理的实施实例，本发明的保护范围包括但并不局限于此，本领域的技术人员任何基于本发明技术方案上非实质性变性变更均包括在本发明包括范围之内。

Claims (7)

1.一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于包括：反向器，nMOS管，忆阻器，定值电阻，示波器，模拟食物刺激信号输入端，模拟铃声刺激信号输入端，所述nMOS管、忆阻器、定值电阻进行串联，所述nMOS管的漏极连接忆阻器的顶电极，忆阻器的底电极连接定值电阻的一端，定值电阻另一端接入地，反向器接在nMOS管的栅极与源极之间，所述示波器与定值电阻并联，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端均与反相器、nMOS管连接；所述nMOS管栅极为控制信号输入端，所述模拟食物刺激信号输入端和模拟铃声刺激信号输入端设有一系列电压脉冲来代表巴普洛夫狗实验中的食物刺激信号和铃声刺激信号；通过调节nMOS管的栅极电压，调控流经忆阻器的限制电流，在定值电阻两端的分压上来获得不同的输出反应信号。
2.如权利要求1所述的一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于：所述模拟食物刺激信号中的正向脉冲幅值大于忆阻器的开启电压，模拟食物刺激信号中的负向脉冲，幅值大于忆阻器的关闭电压；模拟铃声刺激信号的正向脉冲是缓慢增加的，其最大值小于忆阻器的开启电压；其负向脉冲的幅值接近但不大于忆阻器的关闭电压。
3.如权利要求1所述的一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于：所述忆阻器包括顶电极(203)、功能材料层(202)、底电极(201)和衬底(200)；底电极(201)与衬底(200)连接，功能材料层(202)与底电极(201)连接，顶电极(203)与功能材料层(202)连接。
4.如权利要求3所述的一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于：所述功能材料层为氧化物材料层TiOx、TaOx、WOx、NiOx、HfOx、ZrOx、NbOx、或VOx。
5.如权利要求3所述的一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于：所述功能材料层为硫系化合物功能层Ag2Se、Ag2S、Cu2S、Ge2Sb2Te、GeTe或AgInSbTe。
6.如权利要求3所述的一种基于晶体管和忆阻器的模拟联想学习电路，其特征在于：所述功能材料层为碳材料层GO、或α-C。
7.如权利要求1所述的一种基于晶体管和忆阻器的模拟联想学习电路的控制方法，其特征在于：
模拟单独铃声时，在nMOS管源极施加模拟铃声刺激信号脉冲，同时模拟铃声刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟单独食物时，在nMOS管源极施加模拟食物刺激信号脉冲，同时模拟食物刺激信号通过反向器后与控制信号叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟铃声刺激信号与模拟食物刺激信号共同作用时，模拟铃声刺激信号与模拟食物刺激信号叠加后施加在nMOS管源极，同时叠加后的信号通过反向器后与控制信号再叠加后共同施加于nMOS管栅极，通过示波器观察定值电阻分压，判断其大于参考值，认为狗分泌唾液；小于参考值，认为狗不分泌唾液；
模拟联想学习的结果和遗忘过程时，重复上述模拟单独铃声的模拟过程；如果定值电阻分压大于设定的值，就再重复模拟单独铃声的模拟过程，直到定值电阻分压小于设定的值。
CN201810999473.5A 2018-08-30 2018-08-30 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法 Active CN109948792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810999473.5A CN109948792B (zh) 2018-08-30 2018-08-30 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810999473.5A CN109948792B (zh) 2018-08-30 2018-08-30 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法

Publications (2)

Publication Number Publication Date
CN109948792A CN109948792A (zh) 2019-06-28
CN109948792B true CN109948792B (zh) 2022-08-02

Family

ID=67006356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810999473.5A Active CN109948792B (zh) 2018-08-30 2018-08-30 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法

Country Status (1)

Country Link
CN (1) CN109948792B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110788865B (zh) * 2019-12-09 2021-01-29 中国科学院自动化研究所 基于多脑区协同条件反射模型的机器人控制方法及系统
CN112163368A (zh) * 2020-08-28 2021-01-01 华南师范大学 一种基于忆阻器的脑高级功能模拟方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103580668A (zh) * 2013-10-28 2014-02-12 华中科技大学 一种基于忆阻器的联想记忆电路
CN104051545A (zh) * 2014-02-26 2014-09-17 东北师范大学 基于pn 异质结构的忆阻器及其制备方法
US9015093B1 (en) * 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
CN104539280A (zh) * 2014-11-23 2015-04-22 华中科技大学 一种基于忆阻器实现多层识别的电路及其控制方法
CN105976023A (zh) * 2016-04-29 2016-09-28 华中科技大学 一种基于忆阻器的情景记忆电路及其操作方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9015093B1 (en) * 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
CN103580668A (zh) * 2013-10-28 2014-02-12 华中科技大学 一种基于忆阻器的联想记忆电路
CN104051545A (zh) * 2014-02-26 2014-09-17 东北师范大学 基于pn 异质结构的忆阻器及其制备方法
CN104539280A (zh) * 2014-11-23 2015-04-22 华中科技大学 一种基于忆阻器实现多层识别的电路及其控制方法
CN105976023A (zh) * 2016-04-29 2016-09-28 华中科技大学 一种基于忆阻器的情景记忆电路及其操作方法
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
"MemFlash device: floating gate transistors as memristive devices for neuromorphic computing";C Riggert等;《Semiconductor Science and Technology》;20140918;第29卷(第10期);1-9 *
"双电层耦合氧化物神经形态晶体管研究";万昌锦;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20170815;I135-73 *

Also Published As

Publication number Publication date
CN109948792A (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
Covi et al. Analog memristive synapse in spiking networks implementing unsupervised learning
Choi et al. A self-rectifying TaO y/nanoporous TaO x memristor synaptic array for learning and energy-efficient neuromorphic systems
Hu et al. Modeling affections with memristor-based associative memory neural networks
Milo et al. Demonstration of hybrid CMOS/RRAM neural networks with spike time/rate-dependent plasticity
Kim et al. Demonstration of unsupervised learning with spike-timing-dependent plasticity using a TFT-type NOR flash memory array
Pershin et al. Experimental demonstration of associative memory with memristive neural networks
Jiang et al. Design and hardware implementation of neuromorphic systems with RRAM synapses and threshold-controlled neurons for pattern recognition
CN103580668B (zh) 一种基于忆阻器的联想记忆电路
Huang et al. Compact model of HfO X-based electronic synaptic devices for neuromorphic computing
Covi et al. HfO2-based memristors for neuromorphic applications
Pedretti et al. Stochastic learning in neuromorphic hardware via spike timing dependent plasticity with RRAM synapses
CN112598124B (zh) 神经元模拟电路及神经网络装置
Indiveri et al. ReRAM‐Based Neuromorphic Computing
CN111967589A (zh) 神经元模拟电路及其驱动方法、神经网络装置
CN109948792B (zh) 一种基于晶体管和忆阻器的模拟联想学习电路及控制方法
Milo et al. A 4-transistors/1-resistor hybrid synapse based on resistive switching memory (RRAM) capable of spike-rate-dependent plasticity (SRDP)
US20210012974A1 (en) Fully-printed all-solid-state organic flexible artificial synapse for neuromorphic computing
Kuncic et al. Neuromorphic information processing with nanowire networks
CN114757345A (zh) 一种忆阻联想记忆神经网络电路及其控制方法
Mahalanabis et al. Demonstration of spike timing dependent plasticity in CBRAM devices with silicon neurons
Milo et al. Resistive switching synapses for unsupervised learning in feed-forward and recurrent neural networks
KR20210023277A (ko) 단일 게이트의 피드백 전계효과 전자소자를 이용하는 축적 및 발화 뉴런회로
CN114169511B (zh) 一种基于实物忆阻器的联想记忆电路及方法
Yu Orientation classification by a winner-take-all network with oxide RRAM based synaptic devices
TWI785356B (zh) 可重新配置的基於finfet的人工神經元及突觸設備

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