CN109978019B - 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法 - Google Patents

图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法 Download PDF

Info

Publication number
CN109978019B
CN109978019B CN201910171142.7A CN201910171142A CN109978019B CN 109978019 B CN109978019 B CN 109978019B CN 201910171142 A CN201910171142 A CN 201910171142A CN 109978019 B CN109978019 B CN 109978019B
Authority
CN
China
Prior art keywords
memristor
analog
stdp
digital
synaptic
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
CN201910171142.7A
Other languages
English (en)
Other versions
CN109978019A (zh
Inventor
王中强
林亚
汪聪
任衍允
赵晓宁
徐海阳
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 CN201910171142.7A priority Critical patent/CN109978019B/zh
Publication of CN109978019A publication Critical patent/CN109978019A/zh
Application granted granted Critical
Publication of CN109978019B publication Critical patent/CN109978019B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/065—Analogue means
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Thermistors And Varistors (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学习规则和图像模式识别方法，包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别。本发明实现STDP学习规则和图像模式识别方法，通过电压调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟与数字阻变行为，并且在该忆阻系统中实现可调节的学习精度和速度模拟模式识别。

Description

图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学 习规则和图像模式识别方法
技术领域
本发明属于微电子器件领域，涉及忆阻设备，具体涉及一种图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学习规则和图像模式识别方法。
背景技术
近年来，构建类似人脑的神经形态计算系统，引起了人们的极大兴趣。忆阻设备被认为是人工神经网络(ANNs)构建的潜在构建模块。它的电导表示两个神经元之间连接的强度，可以通过外部刺激动态调制。模式识别是开发智能计算机的一项重要任务，能够在危险或繁琐的任务中协助或替换人类。利用忆阻神经网络实现模式识别，具有低功耗和高集成密度的特点，这有利于未来的大规模和高能效应用。对于模式识别，学习准确性和速度是两个关键参数，这直接关系到系统是否有效地执行了识别任务。高精度的学习可以很好地消除干扰，有助于获得正确的信息检测和识别。另一方面，高速学习的实现可以大大提高整个模式识别系统的效率。在基于忆阻设备的模式识别中，其学习精度和速度与器件电导的变化行为密切相关。而忆阻设备根据电阻状态的变化是连续的还是离散的可分为模拟和数字阻变(A-RS和D-RS)两种类型。用忆阻设备来实现模式识别的功能时，模拟型学习高精度更高，而后者学习速度快。在实际应用中，不可避免地要满足不同的要求，以优先考虑速度或准确性。因此，具有可调节的学习精度和速度的神经形态系统可以帮助根据要求实现最佳性能。由A-RS和D-RS设备组成的忆阻神经网络的构造可以灵活地控制学习准确性和速度。然而，仍然缺乏有效的方法来构建这种忆阻人工神经网络。因为这需要在相同的ANN中使用两种类型的忆阻设备，而这会使制造过程更为复杂。开发一种具有A-RS和D-RS行为共存的忆阻设备能有效解决这个问题。同时，由具有两种RS行为的忆阻设备组成的系统可以提供对比模式识别性能的平台，这可以构建更复杂的神经形态网络硬件。
针对上述问题，我们构建了基于WOx的忆阻设备件。并且通过调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟-数字混合忆阻行为。此外，我们首次开发了一种可行的方法，在模拟-数字混合忆阻系统中实现可调节的学习精度和速度模拟模式识别。
发明内容
本发明的目的是提供一种图像模式识别模拟与数字混合忆阻设备，实现STDP学习规则和图像模式识别方法，通过电压调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟与数字阻变行为，并且在该忆阻系统中实现可调节的学习精度和速度模拟模式识别；本发明的目的还提供一种图像模式识别的模拟与数字混合忆阻设备的制备方法；实现STDP学习规则和图像模式识别方法。
为了达到上述目的，本发明有如下技术方案：
本发明的一种图像模式识别的模拟与数字混合忆阻设备，包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别。
其中，所述的底电极为惰性金属电极。
其中，所述的顶电极为惰性金属电极。
其中，所述的氧化钨薄膜，其厚度为50nm～100nm；所述底电极为Ti或Pt制成的惰性金属电极；所述顶电极为Au、Pt制成的惰性金属电极。
本发明的图像模式识别的模拟与数字混合忆阻设备的制备方法，包括以下步骤：
步骤一：将Ti或Pt衬底依次用丙酮、乙醇、去离子水超声清洗8～15分钟，用氮气吹干；
步骤二：利用磁控溅射在Ti或Pt衬底上生长氧化钨薄膜；生长条件是2Pa的压强下，通入比例为3:1的氩气和氧气，用100W的功率溅射钨靶20至30分钟。
步骤三：在第二步制作的氧化钨薄膜蒸镀顶电极Au。
本发明的忆阻设备实现STDP学习规则的方法，包括：忆阻设备类比成神经突触，其中顶电极类比于突触前膜；底电极类比于突触后膜；阻变功能层类比于突触间隙，其电导G用于模拟突触权重，突触权重变化的绝对值ΔW满足ΔW＝(G2-G1)/G1；突触前膜信号与突触后膜信号相同；其中模拟型忆阻设备的突触信号，是由一个负脉冲和一个正向脉冲组成；数字型忆阻设备的突触信号，是由一个负脉冲和五个依次递减的正向脉冲组成。
本发明的忆阻设备实现图像模式识别学习的方法，包括：利用所述的忆阻设备组成35×35忆阻交叉阵列作为突触网络，每个忆阻设备的突触权重代表像素的灰度级，最高或最低突触权重对应于纯白或黑。
由于采取了以上技术方案，本发明的优点在于：
本发明能实现STDP学习规则和图像模式识别方法，通过电压调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟与数字阻变行为，并且在该忆阻系统中实现可调节的学习精度和速度模拟模式识别。
附图说明
图1为依照本发明构建的数字与模拟共存忆阻设备结构图；
图2为本发明构建的数字与模拟共存忆阻设备在电压扫描下的Forming图；
图3为本发明构建的忆阻设备在Forming之前的小电压下电流-电压图；
图4为本发明构建的忆阻设备在Forming之后的大电压下电流-电压图；
图5为依照本发明针对模拟型阻变实现STDP功能的信号设计图；
图6为依照本发明针对数字型阻变实现STDP功能的信号设计图；
图7为依照本发明模拟型阻变实现STDP功能图；
图8为依照本发明数字型阻变实现STDP功能图；
图9为依照本发明构建的人工神经网络；
图10为依照本发明构建的全模拟型和全数字型人工神经网络的图像学习过程比较图；
图11为依照本发明构建的全模拟型和全数字型人工神经网络的图像学习结果图；
图12为忆阻设备电导调制实现十个电导状态的示意图。
101、顶电极；102、阻变功能层；103、底电极。
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。
如图1-11所示，本发明的一种图像模式识别的模拟与数字混合忆阻设备，包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别。
其中，所述的底电极为惰性金属电极。
其中，所述的顶电极为惰性金属电极。
其中，所述的氧化钨薄膜，其厚度为50nm～100nm；所述底电极为Ti或Pt制成的惰性金属电极；所述顶电极为Au、Pt制成的惰性金属电极。
本发明的图像模式识别的模拟与数字混合忆阻设备的制备方法，包括以下步骤：
步骤一：将Ti或Pt衬底依次用丙酮、乙醇、去离子水超声清洗8～15分钟，用氮气吹干；
步骤二：利用磁控溅射在Ti或Pt衬底上生长氧化钨薄膜；生长条件是2Pa的压强下，通入比例为3:1的氩气和氧气，用100W的功率溅射钨靶20至30分钟。
步骤三：在第二步制作的氧化钨薄膜蒸镀顶电极Au。
本发明的忆阻设备实现STDP学习规则的方法，包括：忆阻设备类比成神经突触，其中顶电极类比于突触前膜；底电极类比于突触后膜；阻变功能层类比于突触间隙，其电导G用于模拟突触权重，突触权重变化的绝对值ΔW满足ΔW＝(G2-G1)/G1；突触前膜信号与突触后膜信号相同；其中模拟型忆阻设备的突触信号，是由一个负脉冲和一个正向脉冲组成；数字型忆阻设备的突触信号，是由一个负脉冲和五个依次递减的正向脉冲组成。
本发明的忆阻设备实现图像模式识别学习的方法，包括：利用所述的忆阻设备组成35×35忆阻交叉阵列作为突触网络，每个忆阻设备的突触权重代表像素的灰度级，最高或最低突触权重对应于纯白或黑。
本发明的忆阻设备出现模拟与数字两种阻变的原理如下：
在本发明的设备中，Au顶电极与WOx薄膜之间存在肖特基势垒，模拟阻变的界面调制与外部场的氧离子迁移和Au/WOx界面的最终累积有关。供体型氧空位缺陷的减少可以降低WOx表面附近的费米能级；当去除外部场时，它将降低Au和WOx之间的肖特基势垒高度，从而导致结电阻降低；而数字型阻变是因为大电压使得氧空位大量堆积形成导电细丝从而破坏了体积调制。
脉冲时间依赖可塑性(STDP)是神经突触一个的重要特征，也是模拟图像模式识别的学习基础。在神经网络中两个神经元通过神经突触连接，而STDP是指，两个神经元之间的活动，如果其他神经元的信息在本身活动产生之前，则两神经元之间的连接会增强，即长时程增强(LTP)。如果神经元本身产生活动之后才接受其他神经元传来的信息，则两神经元之间的连接程度会减弱，即长时程减弱(LTD)。两神经元之间的连接程度由突触权重变化的绝对值ΔW表示，ΔW与Δt呈指数关系(ΔW＝A+×exp(-t/τ+),Δt<0；ΔW＝A-×exp(-t/τ-),Δt>0)；ΔW为突触权重变化；A+、A-为常数；t为时间；τ+τ-为时间常数；利用上述忆阻设备实现STDP功能时，将上述忆阻设备类比成神经突触。其中顶电极类比于突触前膜；底电极类比于突触后膜；阻变层类比于突触间隙，其电导(G)用于模拟突触权重，突触权重变化的绝对值(ΔW)满足(ΔW＝(G2-G1)/G1)，G1代表初始电导值，G2代表经过时间间隔t的脉冲对刺激之后器件的电导值。通过不同的脉冲设计可以在两种RS行为下的忆阻设备上实现STDP；实现的具体过程如下：
一、通过时间相关性在模拟型忆阻设备上实现STDP功能。我们设计突触前膜信号与突触后膜信号相同，都是由一个负脉冲和一个正向脉冲组成。由于上述的忆阻设备设备在模拟型阻变情况下具有“二阶忆阻特性”，成对正向脉冲(负向脉冲)可以使忆阻设备电导升高(减小)。并且这种变化与成对脉冲之间时间成指数关系。这种关系同ΔW与Δt之间的关系相似。因此，我们可以获得生物突触的典型STDP特征。
二、通过幅值叠加在数字型忆阻设备上实现STDP功能。我们设计突触前膜信号与突触后膜信号相同，都是由一个负脉冲和五个依次递减的正向脉冲组成。通过调整预脉冲和后尖峰之间的时间间隔，获得具有不同叠加振幅的脉冲，其可以将忆阻设备电导调制到不同的水平(参见图12中所示，其中实现了十个电导状态)。基于上述设计，使用D-RS设备也可以再现类似的STDP行为。
A-RS与D-RS在实现STDP时具有不同的特点：LTD区域中的STDP行为非常相似，但LTP区域存在两个明显的差异：一是D-RS中的ΔW比A-RS的波动性大，并且随着Δt的减小，这种差别更明显；二是A-RS中ΔW的变化率
Figure BDA0001988023140000061
仅为D-RS的十分之一。而这两个差异会对接下来的图像识别起到重要作用。
通过上述特点，我们可以利用上述忆阻设备实现灰度图像识别。为此，我们开发了一个神经形态系统模拟器使用，35×35忆阻交叉阵列作为突触网络来研究A-RS和D-RS对模式识别的影响。在该系统中，忆阻设备充当连接神经元的突触，并且STDP被用作实现图像识别的学习规则。每个忆阻设备的突触权重代表像素的灰度级。最高/最低突触权重对应于纯白/黑。这里，这里选择具有像素35×35的人脸面部图像作为原始图像，并且将表示学习次数设置为400次。通过改变突触网络中模拟型忆阻设备与数字型忆阻设备的数量比，可以得到不同的学习结果。由于A-RS中的ΔW波动较小，具有A-RS的忆阻神经网络具有较高的学习准确度，而D-RS由于ΔW的变化率较大，具有D-RS的人工具有更快的学习速度。
STDP：(Spike-timing-dependent-plasticity)脉冲时序依赖突触可塑性
LTP：(long-term potentiation)长时程增强
LTD：(long-term depression)长时程减弱
Epochs：次数
forming:电激活
上述结合附图对本实施实例做了详细说明，但并非限制本发明的范围，任何不脱离本发明思想的技术方案均应涵盖在本发明的专利申请范围当中。

Claims (7)

1.一种图像模式识别的模拟与数字混合忆阻设备，其特征在于：包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别；
忆阻设备出现模拟与数字两种阻变的过程如下：
在设备中，Au顶电极与WOx薄膜之间存在肖特基势垒，模拟阻变的界面调制与外部场的氧离子迁移和Au/WOx界面的最终累积有关；供体型氧空位缺陷的减少可以降低WOx表面附近的费米能级；当去除外部场时，它将降低Au和WOx之间的肖特基势垒高度，从而导致结电阻降低；而数字型阻变是因为大电压使得氧空位大量堆积形成导电细丝从而破坏了体积调制；
脉冲时间依赖可塑性是神经突触一个的重要特征，也是模拟图像模式识别的学习基础；在神经网络中两个神经元通过神经突触连接，而STDP是指，两个神经元之间的活动，如果其他神经元的信息在本身活动产生之前，则两神经元之间的连接会增强，即长时程增强；如果神经元本身产生活动之后才接受其他神经元传来的信息，则两神经元之间的连接程度会减弱，即长时程减弱；两神经元之间的连接程度由突触权重变化的绝对值ΔW表示，ΔW与Δt呈指数关系：ΔW＝A+×exp(-t/τ+),Δt<0；ΔW＝A-×exp(-t/τ-),Δt>0；ΔW为突触权重变化；A+、A-为常数；t为时间；τ+τ-为时间常数；利用上述忆阻设备实现STDP功能时，将上述忆阻设备类比成神经突触；其中顶电极类比于突触前膜；底电极类比于突触后膜；阻变层类比于突触间隙，其电导G用于模拟突触权重，突触权重变化的绝对值ΔW满足：ΔW＝(G2-G1)/G1，G1代表初始电导值，G2代表经过时间间隔t的脉冲对刺激之后器件的电导值；
通过不同的脉冲设计能在两种RS行为下的忆阻设备上实现STDP；实现的具体过程如下：
一、通过时间相关性在模拟型忆阻设备上实现STDP功能；我们设计突触前膜信号与突触后膜信号相同，都是由一个负脉冲和一个正向脉冲组成；由于上述的忆阻设备在模拟型阻变情况下具有“二阶忆阻特性”，成对正向脉冲、负向脉冲、可以使忆阻设备电导升高、减小；并且这种变化与成对脉冲之间时间成指数关系；这种关系同ΔW与Δt之间的关系相似；因此，能获得生物突触的典型STDP特征；
二、通过幅值叠加在数字型忆阻设备上实现STDP功能；设计突触前膜信号与突触后膜信号相同，都是由一个负脉冲和五个依次递减的正向脉冲组成；通过调整预脉冲和后尖峰之间的时间间隔，获得具有不同叠加振幅的脉冲，其能将忆阻设备电导调制到不同的水平；基于上述设计，使用D-RS设备也能再现类似的STDP行为；
A-RS与D-RS在实现STDP时具有不同的特点：LTD区域中的STDP行为非常相似，但LTP区域存在两个明显的差异：一是D-RS中的ΔW比A-RS的波动性大，并且随着Δt的减小，这种差别更明显；二是A-RS中ΔW的变化率仅为D-RS的十分之一；而这两个差异会对接下来的图像识别起到重要作用；
通过上述特点，能利用上述忆阻设备实现灰度图像识别；为此，开发了一个神经形态系统模拟器使用，35×35忆阻交叉阵列作为突触网络来研究A-RS和D-RS对模式识别的影响；在该系统中，忆阻设备充当连接神经元的突触，并且STDP被用作实现图像识别的学习规则；每个忆阻设备的突触权重代表像素的灰度级；最高/最低突触权重对应于纯白/黑；这里选择具有像素35×35的人脸面部图像作为原始图像，并且将表示学习次数设置为400次；通过改变突触网络中模拟型忆阻设备与数字型忆阻设备的数量比，能得到不同的学习结果；由于A-RS中的ΔW波动较小，具有A-RS的忆阻神经网络具有较高的学习准确度，而D-RS由于ΔW的变化率较大，具有D-RS的人工具有更快的学习速度。
2.根据权利要求1所述的一种图像模式识别的模拟与数字混合忆阻设备，其特征在于：所述的底电极为惰性金属电极。
3.根据权利要求1所述的一种图像模式识别的模拟与数字混合忆阻设备，其特征在于：所述的顶电极为惰性金属电极。
4.根据权利要求1所述的图像模式识别的模拟与数字混合忆阻设备，其特征在于：所述的氧化钨薄膜，其厚度为50nm～100nm；所述底电极为Ti或Pt制成的惰性金属电极；所述顶电极为Au、Pt制成的惰性金属电极。
5.按照权利要求1～4中任一所述的图像模式识别的模拟与数字混合忆阻设备的制备方法，其特征在于包括以下步骤：
步骤一：将Ti或Pt衬底依次用丙酮、乙醇、去离子水超声清洗8～15分钟，用氮气吹干；
步骤二：利用磁控溅射在Ti或Pt衬底上生长氧化钨薄膜；生长条件是2Pa的压强下，通入比例为3:1的氩气和氧气，用100W的功率溅射钨靶20至30分钟；
步骤三：在第二步制作的氧化钨薄膜蒸镀顶电极Au。
6.根据权利要求1所述的忆阻设备实现STDP学习规则的方法，其特征在于：忆阻设备类比成神经突触，其中顶电极类比于突触前膜；底电极类比于突触后膜；阻变功能层类比于突触间隙，其电导G用于模拟突触权重，突触权重变化的绝对值ΔW满足ΔW＝(G2-G1)/G1，G1代表初始电导值，G2代表经过时间间隔t的脉冲对刺激之后器件的电导值；突触前膜信号与突触后膜信号相同；其中模拟型忆阻设备的突触信号，是由一个负脉冲和一个正向脉冲组成；数字型忆阻设备的突触信号，是由一个负脉冲和五个依次递减的正向脉冲组成。
7.根据权利要求1所述的忆阻设备实现图像模式识别学习的方法，其特征在于：利用所述的忆阻设备组成35×35忆阻交叉阵列作为突触网络，每个忆阻设备的突触权重代表像素的灰度级，最高或最低突触权重对应于纯白或黑。
CN201910171142.7A 2019-03-07 2019-03-07 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法 Active CN109978019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910171142.7A CN109978019B (zh) 2019-03-07 2019-03-07 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910171142.7A CN109978019B (zh) 2019-03-07 2019-03-07 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法

Publications (2)

Publication Number Publication Date
CN109978019A CN109978019A (zh) 2019-07-05
CN109978019B true CN109978019B (zh) 2023-05-23

Family

ID=67078127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910171142.7A Active CN109978019B (zh) 2019-03-07 2019-03-07 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法

Country Status (1)

Country Link
CN (1) CN109978019B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443168A (zh) * 2019-07-23 2019-11-12 华中科技大学 一种基于忆阻器的神经网络人脸识别系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101971166A (zh) * 2008-03-14 2011-02-09 惠普开发有限公司 神经形态电路
CN104979472A (zh) * 2014-04-11 2015-10-14 中国科学院宁波材料技术与工程研究所 一种有机高分子忆阻结构单元
CN106992249A (zh) * 2017-02-22 2017-07-28 北京航空航天大学 一种具有量子电导效应的离子型忆阻器
US10083974B1 (en) * 2017-03-23 2018-09-25 Beihang University Floating memristor
CN108804786A (zh) * 2018-05-26 2018-11-13 江西理工大学 一种联想神经网络突触权值可塑的忆阻模型电路设计方法
CN109037442A (zh) * 2018-08-07 2018-12-18 电子科技大学 基于a-SiOx忆阻效应的SPR神经突触器件及其制备方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129220B2 (en) * 2010-07-07 2015-09-08 Qualcomm Incorporated Methods and systems for digital neural processing with discrete-level synapes and probabilistic STDP
CN102544359A (zh) * 2010-12-30 2012-07-04 中国科学院微电子研究所 忆阻器及其制作方法
US9029985B2 (en) * 2013-05-23 2015-05-12 Los Alamos National Security, Llc Memristor comprising film with comb-like structure of nanocolumns of metal oxide embedded in a metal oxide matrix
US9753959B2 (en) * 2013-10-16 2017-09-05 University Of Tennessee Research Foundation Method and apparatus for constructing a neuroscience-inspired artificial neural network with visualization of neural pathways
US20150278641A1 (en) * 2014-03-27 2015-10-01 Qualcomm Incorporated Invariant object representation of images using spiking neural networks
CN106654009B (zh) * 2016-12-19 2019-04-02 中国科学院宁波材料技术与工程研究所 一种忆阻器及其应用
CN106845634B (zh) * 2016-12-28 2018-12-14 华中科技大学 一种基于忆阻器件的神经元电路
EP3652680A4 (en) * 2017-07-11 2021-04-21 Technion Research & Development Foundation Limited RECONFIGURABLE DAC IMPLEMENTED BY A MEMRISTOR BASED NEURAL NETWORK
CN108110137B (zh) * 2017-12-14 2019-10-08 电子科技大学 基于SiOxNy的光读取神经突触器件及其制备方法
CN108365089A (zh) * 2018-01-05 2018-08-03 中山大学 一种溶液燃烧法制备的具有模拟和数字多功能的NiO基忆阻器件及制备方法
CN109146068B (zh) * 2018-08-31 2021-11-26 南京邮电大学 一种液体忆阻器及其制备方法和应用

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101971166A (zh) * 2008-03-14 2011-02-09 惠普开发有限公司 神经形态电路
CN104979472A (zh) * 2014-04-11 2015-10-14 中国科学院宁波材料技术与工程研究所 一种有机高分子忆阻结构单元
WO2015154695A1 (zh) * 2014-04-11 2015-10-15 中国科学院宁波材料技术与工程研究所 一种有机高分子忆阻结构单元
CN106992249A (zh) * 2017-02-22 2017-07-28 北京航空航天大学 一种具有量子电导效应的离子型忆阻器
US10083974B1 (en) * 2017-03-23 2018-09-25 Beihang University Floating memristor
CN108804786A (zh) * 2018-05-26 2018-11-13 江西理工大学 一种联想神经网络突触权值可塑的忆阻模型电路设计方法
CN109037442A (zh) * 2018-08-07 2018-12-18 电子科技大学 基于a-SiOx忆阻效应的SPR神经突触器件及其制备方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于STDP规则的忆阻神经网络在图像存储中的应用;王丽丹 等;《电子科技大学学报》;20130930;第42卷(第05期);642-647 *
基于ZnO忆阻器的神经突触仿生电子器件;潘若冰 等;《材料科学与工程学报》;20170420;第35卷(第02期);232-235 *

Also Published As

Publication number Publication date
CN109978019A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
Demin et al. Necessary conditions for STDP-based pattern recognition learning in a memristive spiking neural network
US8965821B2 (en) Learning method of neural network circuit
US8775346B2 (en) Learning method of neural network circuit
Pershin et al. Experimental demonstration of associative memory with memristive neural networks
CN109447250B (zh) 一种基于忆阻器中电池效应的人工神经元
CN103078055B (zh) 一种模拟生物神经突触的单元、装置及方法
CN111275177B (zh) 一种全忆阻器神经网络及其制备方法和应用
JP2020509574A (ja) メモリスティブ・デバイスおよびその形成方法
US11468300B2 (en) Circuit structure and driving method thereof, neural network
US11625579B2 (en) Spiking neural net work device and learning method of spiking neural network device
CN110739393A (zh) 一种仿生突触器件及其制作方法及其应用
US11488001B2 (en) Neuromorphic devices using layers of ion reservoirs and ion conductivity electrolyte
KR102002212B1 (ko) 뉴로모픽 시스템 응용을 위한 시냅스 장치의 강화 동작 방법
Ye et al. Self-powered perception system based on triboelectric nanogenerator and artificial neuron for fast-speed multilevel feature recognition
Andreeva et al. Memristive logic design of multifunctional spiking neural network with unsupervised learning
Šuch et al. Passive memristor synaptic circuits with multiple timing dependent plasticity mechanisms
CN109978019B (zh) 图像模式识别模拟与数字混合忆阻设备及制备，实现stdp学习规则和图像模式识别方法
Afshari et al. Unsupervised learning in hexagonal boron nitride memristor-based spiking neural networks
CN111461312B (zh) 一种基于忆阻器随机丢弃神经元
Lorenzi et al. Memristor based neuromorphic circuit for visual pattern recognition
Huang et al. Adaptive SRM neuron based on NbOx memristive device for neuromorphic computing
CN111244270B (zh) 一种模拟生物神经元功能的电子器件及方法
KR102322131B1 (ko) 확률 가변 멤리스티브 인공 시냅스 소자 및 그 제조 방법
KR102481847B1 (ko) 드롭커넥트 신경망 시스템 및 이를 이용한 학습 방법
Vu et al. Spiking Neural Networks with Nonidealities from Memristive Silicon Oxide Devices

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