CN112163368A - 一种基于忆阻器的脑高级功能模拟方法 - Google Patents

一种基于忆阻器的脑高级功能模拟方法 Download PDF

Info

Publication number
CN112163368A
CN112163368A CN202010882869.9A CN202010882869A CN112163368A CN 112163368 A CN112163368 A CN 112163368A CN 202010882869 A CN202010882869 A CN 202010882869A CN 112163368 A CN112163368 A CN 112163368A
Authority
CN
China
Prior art keywords
memristor
top electrode
pulse
grounding
bottom 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.)
Pending
Application number
CN202010882869.9A
Other languages
English (en)
Inventor
陈心满
钟智坚
蒋治国
黄健宁
章勇
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.)
South China Normal University
Original Assignee
South China 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 South China Normal University filed Critical South China Normal University
Priority to CN202010882869.9A priority Critical patent/CN112163368A/zh
Publication of CN112163368A publication Critical patent/CN112163368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于忆阻器的脑高级功能模拟方法，所述忆阻器包括顶电极和底电极，所述方法包括如下步骤：在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化，实现脑高级功能的模拟；脑高级功能模拟过程简单，不需要三端晶体管或者运算放大器等复杂器件的配合，结构简单，易于实现。

Description

一种基于忆阻器的脑高级功能模拟方法
技术领域
本发明属于微电子技术领域，具体涉及一种基于忆阻器的脑高级功能模拟方法。
背景技术
人脑中存在数以亿计的神经元，神经元之间通过神经突触进行信号传递，这是人进行复杂生命活动的重要基础。长久以来，利用电子器件模拟神经突触的功能是科研人员的研究热点。忆阻器具备低功耗、稳定性好、可重复性高和可大规模集成等优点，其阻值能够随着施加的电压或电流发生连续的变化并具有维持这种变化的特性，这与神经系统中突触权重受生物电刺激下的变化特性十分相似，因此忆阻器非常适合用于模拟神经突触。现有技术下，传统的实验方案能够实现神经突触的模拟，但大多实验方案中忆阻器的工作电压较大，系统功耗高，不利于大规模人工神经系统的搭建，系统复杂度提高。
发明内容
为了克服上述技术缺陷，本发明提供一种基于忆阻器的脑高级功能模拟方法，旨在提供一种更简单的脑高级功能模拟方法。
为了解决上述问题，本发明按以下技术方案予以实现的：
本发明提供的一种基于忆阻器的脑高级功能模拟方法，所述忆阻器包括顶电极和底电极，所述方法包括如下步骤：
在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化，实现脑高级功能的模拟。
优选的，所述脉冲信号为LTP脉冲信号或LTD脉冲信号；所述在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加LTP脉冲信号，所述底电极接地，使所述忆阻器处于高阻态状态，记录所述忆阻器的电导变化；
在所述顶电极施加LTD脉冲信号，所述底电极接地，使所述忆阻器处于低阻态状态，记录所述忆阻器的电导变化，实现神经突触中的再可塑性功能的模拟。
优选的，所述在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加第一脉冲电压信号后，再施加与所述第一脉冲电压信号方向相反的第二脉冲电压信号，记录所述忆阻器前后的响应电流变化，实现神经突触的超限抑制的模拟。
优选的，所述第一脉冲电压信号为+0.8V。
优选的，所述在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加条件脉冲电压信号和非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流，实现神经突触的联想学习的模拟。
优选的，所述忆阻器的阈值电流为1μA。
优选的，所述忆阻器在0.8V的脉冲作用下由高阻值状态切换为低阻值状态。
优选的，所述忆阻器在-1.2V的脉冲作用下由低阻值状态切换为高阻值状态。
相对于现有技术，本发明的有益效果为：
本发明公开了一种基于忆阻器的脑高级功能模拟方法，脑高级功能模拟过程简单，不需要三端晶体管或者运算放大器等复杂器件的配合，结构简单，易于实现。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例忆阻器的结构示意图；
图2为本实施例忆阻器高阻值状态和低阻值状态的示意图；
图3为本实施例基于忆阻器的神经突触的再可塑性模拟过程；
图4为本实施例基于忆阻器的神经突触的超限抑制模拟过程；
图5为本实施例基于忆阻器的神经突触的超限抑制模拟过程。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本实施例公开了一种基于忆阻器的脑高级功能模拟方法，参考图1，忆阻器包括顶电极、功能材料层、底电极和衬底四部分。
示例性的，衬底为玻璃衬底；底电极为ITO；功能层材料为HfOx；顶电极为活性金属Ag。
脑高级功能模拟方法包括如下步骤：
在顶电极施加脉冲信号，底电极接地，记录忆阻器的响应电流或者电导值变化，实现脑高级功能的模脉冲信号的模拟。
具体的，脉冲信号可以是但不限制于由Keithley4200半导体分析测试仪产生，脉冲信号用于模拟生物神经刺激，施加于忆阻器的顶电极，而底电极接地，观察对应的忆阻器的响应电流或者电导值变化，即可模拟脑高级功能中神经突触的变化。
更具体的，脉冲信号是幅度为0.4mV、脉宽为5ms、脉冲间隔为1ms的电压脉冲信号。
参考图2，忆阻器在0.8V的脉冲作用下，器件的导电细丝变粗，器件阻值由高阻值状态切换为低阻值状态ON；忆阻器在-1.2V的脉冲作用下，器件的导电细丝断裂，器件阻值由低阻值状态切换为高阻值状态OFF。
基于忆阻器的神经突触的再可塑性模拟过程，在所述顶电极施加幅度值可以为但不限制于-1.2V的脉冲信号，所述底电极接地，记录所述忆阻器在高阻态状态下的电导变化；
突触再可塑性反映的是突触活动的以往历史决定了突触目前的可塑性，在所述顶电极施加幅度值可以为但不限制于0.8V的脉冲信号，所述底电极接地。模拟不同历史突触活动影响下的突触状态，可以用于模拟神经突触中的再可塑性功能的模拟。
具体的，如图3所示，在顶电极分别施加LTP脉冲和LTD脉冲，观察忆阻器分别在高阻值状和低阻值状态下的电导变化，模拟脑高级功能中的神经突触在外部刺激作用下的权值变化。低阻值状态ON下忆阻器电导变化率较高，高阻值状态OFF忆阻器电导变化率较少，反映了不同阻态下忆阻器模拟神经突触可塑性的功能存在区别，对应神经突触中的再可塑性功能。
基于忆阻器的神经突触的超限抑制模拟过程，在所述顶电极施加第一脉冲电压信号后，再施加与所述第一脉冲电压信号方向相反的第二脉冲电压信号，记录所述忆阻器前后的响应电流变化，实现神经突触的超限抑制的模拟。
具体的，如图4所示，在顶电极施加脉冲刺激信号V1使器件的响应电流逐渐上升，之后施加一个-1.2V的大电压脉冲信号，使忆阻器在相同刺激信号V1 作用下的响应电流迅速下降，这个过程对应神经系统中在大强度神经刺激作用下应激能力下降，从而达到自我保护目的的过程，实现神经突触的超限抑制的模拟。
基于忆阻器的神经突触的联想学习的模拟过程，在所述顶电极施加条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加条件脉冲电压信号和非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流，实现神经突触的联想学习的模拟。
具体的，如图5所示，阈值电流IH设定为1μA，响应电流大于或等于IH 则对应Pavlov狗实验中“狗流口水”，响应电流小于IH则对应Pavlov狗实验中“狗未流口水”。基于忆阻器的联想学习模拟具体可分为以下几个步骤：(一) 训练前：单独施加非条件刺激信号VCS(铃声)，观察器件响应电流；(二) 训练中：施加非条件刺激信号VCS(铃声)和条件刺激信号VUS(铃声)观察器件响应电流；(三)训练后：已建立联想学习，单独给铃声刺激，产生唾液分泌。如图5所示，其中VCS代表条件刺激信号，VUS代表非条件刺激信号， VCS幅度为0.4mV、脉冲宽度为5ms、脉冲间隔为1ms；VUS幅度为0.75V、脉冲宽度为5ms、脉冲间隔为1ms。设阈值电流绝对值为1μA，若忆阻器响应电流超过所述阈值电流，则代表巴普洛夫狗产生唾液分泌，实现神经突触的联想学习的模拟。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于忆阻器的脑高级功能模拟方法，所述忆阻器包括顶电极和底电极，其特征在于，所述方法包括如下步骤：
在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化，实现脑高级功能的模拟。
2.根据权利要求1所述的基于忆阻器的脑高级功能模拟方法，其特征在于，所述脉冲信号为LTP脉冲信号或LTD脉冲信号；所述在所述顶电极施加脉冲信号，所述底电极接地，所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加LTP脉冲信号，所述底电极接地，使所述忆阻器处于高阻态状态，记录所述忆阻器的电导变化；
在所述顶电极施加LTD脉冲信号，所述底电极接地，使所述忆阻器处于低阻态状态，记录所述忆阻器的电导变化，实现神经突触中的再可塑性功能的模拟。
3.根据权利要求1所述的基于忆阻器的脑高级功能模拟方法，其特征在于，
所述在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加第一脉冲电压信号后，再施加与所述第一脉冲电压信号方向相反的第二脉冲电压信号，记录所述忆阻器前后的响应电流变化，实现神经突触的超限抑制的模拟。
4.根据权利要求3所述的基于忆阻器的脑高级功能模拟方法，其特征在于，所述第一脉冲电压信号为+0.8V。
5.根据权利要求1所述的基于忆阻器的脑高级功能模拟方法，其特征在于，
所述在所述顶电极施加脉冲信号，所述底电极接地，记录所述忆阻器的响应电流或者电导值变化的步骤，包括：
在所述顶电极施加条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加条件脉冲电压信号和非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流；
在所述顶电极施加非条件脉冲电压信号，所述底电极接地，测量所述忆阻器的响应电流，实现神经突触的联想学习的模拟。
6.根据权利要求5所述的基于忆阻器的脑高级功能模拟方法，其特征在于，所述忆阻器的阈值电流为1μA。
7.根据权利要求1所述的基于忆阻器的脑高级功能模拟方法，其特征在于，
所述忆阻器还包括功能材料层和衬底。所述衬底为玻璃衬底；所述底电极为ITO；所述功能层材料为HfOx；所述顶电极为金属Ag。
8.根据权利要求7所述的基于忆阻器的脑高级功能模拟方法，其特征在于，所述忆阻器在0.8V的脉冲作用下由高阻值状态切换为低阻值状态。
9.根据权利要求8所述的基于忆阻器的脑高级功能模拟方法，其特征在于，所述忆阻器在-1.2V的脉冲作用下由低阻值状态切换为高阻值状态。
CN202010882869.9A 2020-08-28 2020-08-28 一种基于忆阻器的脑高级功能模拟方法 Pending CN112163368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010882869.9A CN112163368A (zh) 2020-08-28 2020-08-28 一种基于忆阻器的脑高级功能模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010882869.9A CN112163368A (zh) 2020-08-28 2020-08-28 一种基于忆阻器的脑高级功能模拟方法

Publications (1)

Publication Number Publication Date
CN112163368A true CN112163368A (zh) 2021-01-01

Family

ID=73860340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010882869.9A Pending CN112163368A (zh) 2020-08-28 2020-08-28 一种基于忆阻器的脑高级功能模拟方法

Country Status (1)

Country Link
CN (1) CN112163368A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120011088A1 (en) * 2010-07-07 2012-01-12 Qualcomm Incorporated Communication and synapse training method and hardware for biologically inspired networks
US20170083810A1 (en) * 2015-09-23 2017-03-23 Politecnico Di Milano Electronic Neuromorphic System, Synaptic Circuit With Resistive Switching Memory And Method Of Performing Spike-Timing Dependent Plasticity
CN109346598A (zh) * 2018-08-31 2019-02-15 南京邮电大学 一种具有生物突触模拟功能的卟啉忆阻器及其制备方法和应用
CN109948792A (zh) * 2018-08-30 2019-06-28 东北师范大学 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
CN111129297A (zh) * 2019-12-30 2020-05-08 北京大学 一种实现忆阻突触器件多样化stdp的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120011088A1 (en) * 2010-07-07 2012-01-12 Qualcomm Incorporated Communication and synapse training method and hardware for biologically inspired networks
US20170083810A1 (en) * 2015-09-23 2017-03-23 Politecnico Di Milano Electronic Neuromorphic System, Synaptic Circuit With Resistive Switching Memory And Method Of Performing Spike-Timing Dependent Plasticity
CN109948792A (zh) * 2018-08-30 2019-06-28 东北师范大学 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
CN109346598A (zh) * 2018-08-31 2019-02-15 南京邮电大学 一种具有生物突触模拟功能的卟啉忆阻器及其制备方法和应用
CN111129297A (zh) * 2019-12-30 2020-05-08 北京大学 一种实现忆阻突触器件多样化stdp的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张晨曦等: "基于忆阻器模拟的突触可塑性的研究进展", 《中国科学：信息科学》 *

Similar Documents

Publication Publication Date Title
Jiang et al. Emerging synaptic devices: from two-terminal memristors to multiterminal neuromorphic transistors
CN106981567B (zh) 一种基于光电耦合忆阻器的人工突触器件及其调制方法
CN110739393B (zh) 一种仿生突触器件及其制作方法及其应用
CN110289317B (zh) 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法
CN109787592B (zh) 一种随机神经脉冲发生器
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
CN103078055A (zh) 一种模拟生物神经突触的单元、装置及方法
CN109449289B (zh) 一种光激励的神经突触仿生忆阻器及其制备方法
CN109460819A (zh) 一种用于模拟生物体光突触的方法及器件
CN111967589A (zh) 神经元模拟电路及其驱动方法、神经网络装置
CN109346598A (zh) 一种具有生物突触模拟功能的卟啉忆阻器及其制备方法和应用
Ye et al. Self-powered perception system based on triboelectric nanogenerator and artificial neuron for fast-speed multilevel feature recognition
CN114757345A (zh) 一种忆阻联想记忆神经网络电路及其控制方法
CN112906880B (zh) 一种基于忆阻器的自适应神经元电路
CN112163368A (zh) 一种基于忆阻器的脑高级功能模拟方法
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
CN109920912B (zh) 一种多功能突触仿生器件及其制备方法
CN111834530B (zh) 一种基于单晶钙钛矿的两端人工突触及其制备方法
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
CN111769194B (zh) 一种基于锯齿结构纳米线的柔性光电传感忆阻器
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
KR101929940B1 (ko) 하이브리드형 저항성 메모리 소자, 그 작동 방법 및 그 제조 방법
CN112018236A (zh) 一种基于pzt的忆阻器件、其制备方法及其应用
CN111384943B (zh) 一种柔性仿神经元电路及基于其的脉冲神经网络
CN108920845B (zh) 一种实现氧化锌线状晶体管电导可调的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101