CN113592080A - 一种基于阻变器件的神经元树突的操作方法及装置 - Google Patents

一种基于阻变器件的神经元树突的操作方法及装置 Download PDF

Info

Publication number
CN113592080A
CN113592080A CN202110734346.4A CN202110734346A CN113592080A CN 113592080 A CN113592080 A CN 113592080A CN 202110734346 A CN202110734346 A CN 202110734346A CN 113592080 A CN113592080 A CN 113592080A
Authority
CN
China
Prior art keywords
voltage
resistance change
pulse
neuron
pulse voltage
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
CN202110734346.4A
Other languages
English (en)
Inventor
刘力锋
伊亚玎
丁向向
冯玉林
黄鹏
康晋锋
张兴
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202110734346.4A priority Critical patent/CN113592080A/zh
Publication of CN113592080A publication Critical patent/CN113592080A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065Analogue 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)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Semiconductor Memories (AREA)

Abstract

本发明提供一种基于阻变器件的神经元树突的操作方法及装置,其中方法包括:确定单个阻变器件的神经元树突结构;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压:当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层形成导电通道,以实现非线性信号整流;在所述神经元树突结构的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层无法形成导电通道,以实现噪声信号的过滤。本发明实现了神经形态计算时功耗降低及计算灵活性提升。

Description

一种基于阻变器件的神经元树突的操作方法及装置
技术领域
本发明涉及半导体器件技术领域,尤其涉及一种基于阻变器件的神经元树突的操作方法及装置。
背景技术
随着人工智能技术的发展,神经网络在计算机视觉和语音识别等领域得到了广泛的应用,但是日益庞大的网络及其计算规模使得需要对当前硬件系统的功耗进行优化。
神经形态计算是一种仿真动物神经元来进行神经网络推理的一种方法。相比于传统的神经网络,神经形态计算在具有更高的计算灵活性和更低的低功耗,成为了当前工业界和学术界的研究热点。当前在神经形态计算中大多数对于树突的设计使用的是CMOS或者复杂的阻变存储阵列,这些方法在实现神经形态计算的树突功能时,功耗较高,且计算灵活性较差。
发明内容
本发明实施例提供一种基于阻变器件的神经元树突的操作方法及装置,用以解决目前在实现神经形态计算的树突功能时存在功耗较高且计算灵活性较差的问题。
第一方面,本发明实施例提供的一种基于阻变器件的神经元树突的操作方法,包括:
确定单个阻变器件的神经元树突结构;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;
基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压:
当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层形成导电通道,以实现非线性信号整流;
在所述神经元树突结构的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层无法形成导电通道,以实现噪声信号的过滤。
优选地,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
实现非线性信号整流的所述外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
实现噪声信号的过滤的所述外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
优选地,所述外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
优选地,所述外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
优选地,实现噪声信号的过滤的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
第二方面,本发明实施例提供的一种基于阻变器件的神经元树突的操作装置,包括单个阻变器件的神经元树突结构和电压单元;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;
所述电压单元,用于基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压:当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层形成导电通道,以实现非线性信号整流;在所述神经元树突结构的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层无法形成导电通道,以实现噪声信号的过滤。
优选地,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
实现非线性信号整流时,所述电压单元输出的外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
实现噪声信号的过滤时,所述电压单元输出的外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
优选地,所述电压单元输出的外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
优选地,所述电压单元输出的外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
优选地,实现噪声信号的过滤时,所述电压单元输出的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
本发明实施例提供的一种基于阻变器件的神经元树突的操作方法及装置,该方法通过确定单个阻变器件的神经元树突结构,并基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压,即基于阻变器件的神经元树突阈值电压前后非线性信号整流和阈值电压前噪声信号的过滤的操作方法。本发明实现了神经形态计算树突功能时功耗降低及计算灵活性提升。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的一种基于阻变器件的神经元树突的操作方法的流程示意图;
图2是本发明提供的单个阻变器件的神经元树突结构示意图;
图3是本发明提供的阈值电压前后非线性信号整流的半尖形脉冲操作示意图;
图4是本发明提供的阈值电压前后非线性信号整流的混合脉冲操作示意图;
图5是本发明提供的阈值电压前后非线性信号整流的尖形脉冲操作示意图;
图6是本发明提供的阈值电压前后非线性信号整流的矩形脉冲操作示意图;
图7是本发明提供的阈值电压前后非线性信号整流的连续矩形脉冲操作示意图;
图8是本发明提供的阈值电压前噪声信号的过滤的无激活矩形脉冲操作示意图;
图9是本发明提供的阈值电压前噪声信号的过滤的有激活矩形脉冲操作示意图;
图10是本发明提供的阈值电压前噪声信号的过滤的有激活混合脉冲操作示意图;
图11是本发明提供的一种基于阻变器件的神经元树突的操作装置的结构示意图;
附图标记:
1:顶电极;2:阻变介质层;3:底电极;4:导电通道。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图11描述本发明提供的一种基于阻变器件的神经元树突的操作方法及装置。
本发明实施例提供了一种基于阻变器件的神经元树突的操作方法。图1为本发明实施例提供的基于阻变器件的神经元树突的操作方法的流程示意图,如图1所示,该方法包括:
步骤110,确定单个阻变器件的神经元树突结构;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;
具体地,如图2所示为基于单个阻变器件的神经元树突结构示意图,采用顶电极1、阻变介质层2、底电极3的三明治结构。
步骤120,结合图2所示,基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极1和底电极3进行外加电压:当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层2形成导电通道4,以实现非线性信号整流;在所述神经元树突结构的阻变介质层2形成的导电通道4处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层2无法形成导电通4道,以实现噪声信号的过滤。
具体地,导电通道在外加电压超过器件的阈值电压的作用下形成,其作用是提供载流子通道,降低阻变器件的电阻,施加反向电压可以破坏导电通道,从而提高阻变器件的电阻。基于阻变器件的神经元树突的阈值电压前后的非线性信号整流和阈值电压前的噪声信号的过滤正是基于通道的导通与断开,通道导通和断开的过程对导电能力的贡献并非线性的,因此在线性电压的作用下其电流反应表征为非线性的,进而实现非线性整流过程。当导电通道处于断开状态,低于阈值电压的信号无法通过,进而实现噪声信号的过滤。
本发明实施例提供的操作方法,使用单个阻变器件来设计神经元树突,对其进行一定可控限定条件下的操作,能够实现树突的主要功能,同时在器件结构的复杂性、计算灵活性和功耗方面相比于复杂结构能取得更好的效果。
基于上述任一实施例,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
具体地,本发明方法通过对阻变器件施加阈值电压前后的脉冲电压信号来实现的。本发明使用正向脉冲为顶电极接正电压和底电极接负电压,从而构成外加电压。
实现非线性信号整流的所述外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
具体地,在阈值电压前后的非线性信号整合过程中,正向脉冲的Vth(阻变器件的阈值电压)是一个较为明显的分界线,在正向脉冲的幅值小于Vth该限定之前,器件处于off状态(HRS),此时电流对电压的响应较为微弱可忽略不计,当正向脉冲的幅值跨过Vth会刺激器件形成导电通道,发生set(阻值降低)现象。在施加负向脉冲时候,会逐渐摧毁导电通道,发生reset(阻值上升)现象。图3、图4、图5、图6和图7是基于阻变器件的神经元树突的电压脉冲信号的施加方案示意图,通过这些操作方案能够实现树突中的非线性整合功能。
实现噪声信号的过滤的所述外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
具体地,本发明公开一种基于阻变器件的神经元树突阈值电压前噪声信号的过滤功能的操作方案,是通过对阻变器件在阈值电压前后施加相同的脉冲电压信号方法来实现的。
需要说明的是,本发明设定的电流对电压的反应范围为微安到毫安级别。微安级别以下的电流在不易捕获,毫安级别以上的电流对于较小的器件无法承载。具体根据器件的阻值变化范围以及阈值电压的大小,使用具有不同脉冲宽度、脉冲幅度和脉冲周期的连续或非连续矩形电压脉冲、半尖形电压脉冲以及梯形电压脉冲,有效的实现树突在阈值电压前后对非线性信号整流和阈值电压前对噪声信号的过滤。
基于上述任一实施例,所述外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
具体地,如图3所示半尖形脉冲电压操作方法,t1到t3之间的电流对于电压的线性增加呈现出非线性增加的趋势,其电流变化曲线类似于指数函数形式。t1到t2之间电流非线性增加的趋势小于t2到t3之间电流非线性增加的趋势。其中,t2时刻表示完整的导电通道建立完成。t1到t2之间的半尖形电压脉冲的线性变化符合如下二元一次方程,其中a、b、c表示自定义参数,T表示时间,V表示电压。
aT+bV+c=0(a,b≠0)
基于上述任一实施例,所述外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
具体地,如图4所示的混合脉冲电压操作方法,t3时刻之前的电流非线性变化趋势与图3相同,t3到t4阶段的电流对电压的响应呈现出非线性增加的趋势,但其增加的趋势呈现出逐渐降低的趋势,其电流变化曲线类似于对数函数形式。
如图4所示的混合脉冲电压操作方法,t3到t4阶段的所施加在器件上的电压大小的取值范围符合如下条件,其中Vlimit表示器件的击穿电压,Vapply表示施加在器件上的电压:
Vth<Vapply<Vlimit
如图5所示的尖形脉冲电压操作方法,t3时刻之前的电流非线性变化趋势与图3相同,t3到t4阶段的电流对电压的响应呈现出非线性减小的趋势,但其减小的趋势呈现出逐渐减小的趋势,其电流变化曲线类似于幂函数形式。
如图5所示的尖形脉冲电压操作方法,t3时刻的电压的取值范围下列条件:
Vth<Vapply<Vlimit
如图6所示的矩形脉冲电压操作方法,t1到t3之间电流呈现出非线性增加趋势,其非线性增加的趋势呈现出减小的趋势。t1到t2之间其非线性增加的趋势所呈现出来的减小的趋势小于t2到t3之间减小的趋势,其电流变化曲线类似于对数函数形式。t2时刻表示器件导电通道的建立基本完成。
如图6所示的矩形脉冲电压操作方法,其脉冲幅值满足下列条件:
Vth<Vapply<Vlimit
如图7所示的连续矩形脉冲电压操作方法,一个周期内的电流非线性增加趋势与图6类似,但其在下一个周期上升沿时刻的电流要略低于该周期下降沿时刻前的电流。其脉冲幅值条件也与图6相同。
基于上述任一实施例,实现噪声信号的过滤的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
具体地,对于阻变器件的神经元树突阈值电压前噪声信号的过滤功能采用小脉冲幅值作为噪声信号。在发生set现象前,噪声信号无法形成导电通道而且也没有已形成的导电通道使噪声信号通过,因此噪声信号无法通过器件,在发生set现象后,期间内部建立起稳定的导电通道,该导电通道能够使得之前无法通过的小信号可以通过。
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
具体地,如图8所示的无激活矩形脉冲电压的操作方法,将一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号定义为噪声信号,噪声信号的可以相等也可以不相等。这些噪声信号会被过滤,但其电流对电压的响应并非为零,而是一个非常弱小的电信号,该电流信号呈现出无规律的波动状态,且无论噪声信号有多少,都不会引起电流的非线性变化。
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
具体地,如图9所示的有激活矩形脉冲电压的操作方法,t5时刻上升沿脉冲会刺激导电通道的成型,之后t7时刻开始的噪声信号会引起电流呈现出非线性增加趋势,且其非线性增加的趋势呈现出变小的趋势。在t7时刻后施加相同的噪声信号,如果这两个噪声信号的波形相同,则其电流反应曲线也相同。
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
具体地,如图10所示的有激活混合脉冲电压的操作方法,噪声信号会催发产生呈现上升趋势的微小电流,但无论施加多少噪声信号,都不会产生稳定的非线性电流。当t5到t6的矩形脉冲刺激阻变器件的导电通道形成后,再对其施加半尖形噪声信号会引起电流呈现出非线性增加趋势,且其非线性增加的趋势呈现表达的趋势。
需要说明的是,本发明公开的基于阻变器件的神经元树突阈值电压前后非线性信号整流和阈值电压前噪声信号的过滤的操作方法不只局限于已经提出的操作方法。在基于阻变器件的神经元树突阈值电压前后非线性信号整流的操作方法中,所有满足脉冲电压的最大幅值超过阈值电压,都能在阈值电压后实现电流对电压的非线性变化,无论脉冲电压为正向脉冲还是负向脉冲都可作为备选方案。在阈值电压前噪声信号的过滤的操作方法中,在大于阈值电压的脉冲出现前,所有噪声信号都会被过滤,在大于阈值电压的脉冲出现后,所有噪声信号均会催发出非线性电流的产生。
下面对本发明提供的一种基于阻变器件的神经元树突的操作装置进行描述,下文描述的与上文描述的一种基于阻变器件的神经元树突的操作方法可相互对应参照。
图11为本发明实施例提供的基于阻变器件的神经元树突的操作装置的结构示意图,如图11所示,该装置包括单个阻变器件的神经元树突结构1110和电压单元1120;其中,所述神经元树突结构1110包括顶电极、阻变介质层和底电极;
所述电压单元1120,用于基于所述阻变器件固有的阈值电压对所述神经元树突结构1110的顶电极和底电极进行外加电压:当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构1110的阻变介质层形成导电通道,以实现非线性信号整流;在所述神经元树突结构1110的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构1110的阻变介质层无法形成导电通道,以实现噪声信号的过滤。
本发明实施例提供的操作装置,使用单个阻变器件来设计神经元树突,对其进行一定可控限定条件下的操作,能够实现树突的主要功能,同时在器件结构的复杂性、计算灵活性和功耗方面相比于复杂结构能取得更好的效果。
基于上述任一实施例,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
实现非线性信号整流时,所述电压单元输出的外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
实现噪声信号的过滤时,所述电压单元输出的外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
基于上述任一实施例,所述电压单元输出的外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
基于上述任一实施例,所述电压单元输出的外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
基于上述任一实施例,实现噪声信号的过滤时,所述电压单元输出的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于阻变器件的神经元树突的操作方法,其特征在于,包括:
确定单个阻变器件的神经元树突结构;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;
基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压:
当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层形成导电通道,以实现非线性信号整流;
在所述神经元树突结构的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层无法形成导电通道,以实现噪声信号的过滤。
2.根据权利要求1所述的基于阻变器件的神经元树突的操作方法,其特征在于,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
实现非线性信号整流的所述外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
实现噪声信号的过滤的所述外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
3.根据权利要求2所述的基于阻变器件的神经元树突的操作方法,其特征在于,所述外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
4.根据权利要求2所述的基于阻变器件的神经元树突的操作方法,其特征在于,所述外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
5.根据权利要求2所述的基于阻变器件的神经元树突的操作方法,其特征在于,实现噪声信号的过滤的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
6.一种基于阻变器件的神经元树突的操作装置,其特征在于,包括单个阻变器件的神经元树突结构和电压单元;其中,所述神经元树突结构包括顶电极、阻变介质层和底电极;
所述电压单元,用于基于所述阻变器件固有的阈值电压对所述神经元树突结构的顶电极和底电极进行外加电压:当外加电压超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层形成导电通道,以实现非线性信号整流;在所述神经元树突结构的阻变介质层形成的导电通道处于断开状态下,当外加电压不超过所述阈值电压时,通过所述外加电压使得所述神经元树突结构的阻变介质层无法形成导电通道,以实现噪声信号的过滤。
7.根据权利要求6所述的基于阻变器件的神经元树突的操作装置,其特征在于,当外加电压超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻降低;当外加电压不超过所述阈值电压时,所述阻变介质层作为阻变器件的电阻小幅降低;当所述外加电压撤销后电阻复原;
实现非线性信号整流时,所述电压单元输出的外加电压包括半尖形脉冲电压、混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压;
实现噪声信号的过滤时,所述电压单元输出的外加电压包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压。
8.根据权利要求7所述的基于阻变器件的神经元树突的操作装置,其特征在于,所述电压单元输出的外加电压为半尖形脉冲电压时,半尖形脉冲电压的线性变化符合以下二元一次方程:
aT+bV+c=0(a,b≠0);
其中,a、b、c表示自定义参数,T表示时间,V表示电压。
9.根据权利要求7所述的基于阻变器件的神经元树突的操作装置,其特征在于,所述电压单元输出的外加电压为混合脉冲电压、尖形脉冲电压、矩形脉冲电压或连续矩形脉冲电压时,在阻变器件上的电压大小的取值范围符合如下条件:
Vth<Vapply<Vlimit
其中,Vlimit表示阻变器件的击穿电压,Vapply表示加在阻变器件上的电压,Vth表示阈值电压。
10.根据权利要求7所述的基于阻变器件的神经元树突的操作装置,其特征在于,实现噪声信号的过滤时,所述电压单元输出的包括无激活矩形脉冲电压、有激活矩形脉冲电压或有激活混合脉冲电压在内的外加电压使得阈值电压前后发生启动导电通道set现象:发生set现象前,没有形成导电通道,作为噪声信号的小脉冲幅值无法通过阻变器件,发生set现象后,建立起稳定的导电通道使得噪声信号通过;
其中,所述无激活矩形脉冲电压的一个脉冲周期中最大脉冲幅值小于阈值电压的脉冲信号作为噪声信号被过滤,且不引起电流的非线性变化;
所述有激活矩形脉冲电压的上升沿脉冲刺激导电通道的成型后,噪声信号引起电流呈现出非线性增加趋势,且非线性增加趋势呈现出变小的趋势;
所述有激活混合脉冲电压包括矩形脉冲和半尖形噪声信号;所述矩形脉冲刺激阻变器件的导电通道后,对所述阻变器件施加半尖形噪声信号引起电流呈现出非线性增加趋势。
CN202110734346.4A 2021-06-30 2021-06-30 一种基于阻变器件的神经元树突的操作方法及装置 Pending CN113592080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110734346.4A CN113592080A (zh) 2021-06-30 2021-06-30 一种基于阻变器件的神经元树突的操作方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110734346.4A CN113592080A (zh) 2021-06-30 2021-06-30 一种基于阻变器件的神经元树突的操作方法及装置

Publications (1)

Publication Number Publication Date
CN113592080A true CN113592080A (zh) 2021-11-02

Family

ID=78245291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110734346.4A Pending CN113592080A (zh) 2021-06-30 2021-06-30 一种基于阻变器件的神经元树突的操作方法及装置

Country Status (1)

Country Link
CN (1) CN113592080A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102456157A (zh) * 2010-10-20 2012-05-16 北京大学 神经元器件和神经网络
CN103105883A (zh) * 2011-11-11 2013-05-15 中国科学院微电子研究所 具有负载检测电路及动态零点补偿电路的线性稳压器
CN103175756A (zh) * 2011-12-22 2013-06-26 澳思登科学仪器(上海)有限公司 驱动单元以及液体粘度测量仪
CN107122828A (zh) * 2017-05-09 2017-09-01 清华大学 电路结构及其驱动方法、神经网络

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102456157A (zh) * 2010-10-20 2012-05-16 北京大学 神经元器件和神经网络
CN103105883A (zh) * 2011-11-11 2013-05-15 中国科学院微电子研究所 具有负载检测电路及动态零点补偿电路的线性稳压器
CN103175756A (zh) * 2011-12-22 2013-06-26 澳思登科学仪器(上海)有限公司 驱动单元以及液体粘度测量仪
CN107122828A (zh) * 2017-05-09 2017-09-01 清华大学 电路结构及其驱动方法、神经网络

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
代冀阳;朱丽芳;易宏;: "基于BP神经网络的SPWM逆变器控制仿真研究", 计算机仿真, no. 03 *

Similar Documents

Publication Publication Date Title
Lee et al. Deep spiking convolutional neural network trained with unsupervised spike-timing-dependent plasticity
US8682822B2 (en) Electronic learning synapse with spike-timing dependent plasticity using memory-switching elements
US11468300B2 (en) Circuit structure and driving method thereof, neural network
US20210049448A1 (en) Neural network and its information processing method, information processing system
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
US11531872B2 (en) Neuron circuit using p-n-p-n diode without external bias voltages
US12008338B2 (en) Multiply-accumulate operation device, multiply-accumulate operation circuit, multiply-accumulate operation system, and multiply-accumulate operation method
CN112906880B (zh) 一种基于忆阻器的自适应神经元电路
CN113592080A (zh) 一种基于阻变器件的神经元树突的操作方法及装置
CN114792130A (zh) 一种具有泄漏-积分-发射功能的人工神经元
Afifi et al. Efficient hybrid CMOS-Nano circuit design for spiking neurons and memristive synapses with STDP
EP3133535B1 (fr) Procede de programmation d'un reseau de neurones artificiels
Lorenzi et al. Memristor based neuromorphic circuit for visual pattern recognition
CN110910723A (zh) 一种基于忆阻器的巴甫洛夫双模式切换的学习记忆电路
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
CN113822422A (zh) 一种基于忆阻器混合集成的人工异或型树突及其实现方法
Itoh Some interesting features of memristor CNN
Manz et al. Dynamics and computation in mixed networks containing neurons that accelerate towards spiking
Hulea The mathematical model of a biologically inspired electronic neuron for ease the design of spiking neural networks topology
DE112020003477T5 (de) Steuerung von Halbleiterbauelementen
WO2021092899A1 (zh) 类神经电路以及运作方法
You et al. Neuromorphic implementation of attractor dynamics in decision circuit with nmdars
CN113474782B (zh) 算术装置、积和算术系统和设定方法
CN209461235U (zh) 电磁铁控制系统
US20220137926A1 (en) Arithmetic apparatus and multiply-accumulate system

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