CN115906961B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115906961B
CN115906961B CN202310149554.7A CN202310149554A CN115906961B CN 115906961 B CN115906961 B CN 115906961B CN 202310149554 A CN202310149554 A CN 202310149554A CN 115906961 B CN115906961 B CN 115906961B
Authority
CN
China
Prior art keywords
memristor
adaptive
circuit
self
lif
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
CN202310149554.7A
Other languages
English (en)
Other versions
CN115906961A (zh
Inventor
杨玉超
张柏骏
袁锐
黄如
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 CN202310149554.7A priority Critical patent/CN115906961B/zh
Publication of CN115906961A publication Critical patent/CN115906961A/zh
Application granted granted Critical
Publication of CN115906961B publication Critical patent/CN115906961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Semiconductor Integrated Circuits (AREA)

Abstract

本发明公开了一种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,包括基于易失性阈值阻变忆阻器的LIF电路和自适应控制电路,所述LIF电路由一个易失性阈值阻变忆阻器串联一个读出电阻R 1,再并联一个模拟膜电容的电容C 1组成;利用易失性阈值阻变忆阻器的动力学行为模拟LIF神经元的泄漏、积累和发放功能,并将所发放脉冲反馈到自适应控制电路,通过提高自适应控制信号来提高膜电容的泄漏电流,对神经元的兴奋性起到抑制作用,形成自适应。与传统CMOS方案的自适应脉冲神经元电路相比,本发明大幅度降低了硬件开销,对于大规模集成要求具有强时域信息处理能力的脉冲神经网络具有颇大的发展前景。

Description

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
技术领域
本发明属于新型计算技术领域,涉及自适应人工脉冲神经元电路,具体涉及一种基于易失性阈值阻变忆阻器的可用于神经形态生理信号处理系统的自适应人工脉冲神经元电路。
背景技术
生理信号能反映一个人的情绪、心智和身体状态,而利用生理信号检测系统去识别生理信号中的不寻常特征非常有利于协助判断被检测者的健康状态和疾病发作状态。生理信号检测系统主要利用机器学习的方式进行检测。基于传统冯·诺依曼计算架构的生理信号检测系统需要在处理器与存储器之间频繁搬运大量的数据,计算速度低且能耗开销大,而借鉴人脑的神经形态计算架构具有高并行度以及事件驱动的计算模式,因此对于实现生理信号检测系统具有速度和能效优势。
神经元为神经形态计算系统中主要的处理单元。为了让系统能更有效地处理生理信号中大量的时域信息,该系统中的神经网络除了采用一般的泄漏积累发放(LIF)脉冲神经元,还需要引入具有自适应特性的脉冲神经元。传统的自适应脉冲神经元采用CMOS技术,需要大量的晶体管来模拟该神经元的动力学行为。此外,已被报道的自适应脉冲神经元还需要庞大的运放和比较器以及复杂的反馈系统。它们的功耗和面积开销大,不利于集成到便携式医疗设备或高密度大规模的人机界面,因此需要开发低成本的自适应脉冲神经元电路。目前,利用具有神经元动力学行为的单个器件配合低面积开销的反馈控制电路所构建的自适应脉冲神经元还未被报道并且是急切需要的。
发明内容
为了克服上述自适应脉冲神经元成本过高的问题,本发明提供了一种基于易失性阈值阻变忆阻器的用于神经形态生理信号检测系统的自适应人工脉冲神经元电路,能透过神经元的脉冲发放对其自身的兴奋性起到抑制作用,进而产生自适应行为,并基于此提高自身的时域信息处理能力。
本发明的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由两个部分构成,第一个部分是基于易失性阈值阻变忆阻器的LIF电路,第二个部分是自适应控制电路。该自适应人工脉冲神经元电路的工作原理是LIF电路接受输入刺激时进行电荷积累,并在达到发放阈值时发放一个电压脉冲,将这个电压脉冲反馈输入自适应控制电路以提高控制电压,被提高的控制电压使得LIF电路中的泄漏电流增加,这样使得LIF电路的电荷积累变得困难,即LIF电路的兴奋性得到抑制,产生自适应行为。
参见图1,本发明的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中,所述LIF电路采用一个易失性阈值阻变忆阻器串联一个读出电阻 R 1,再并联一个模拟膜电容的电容 C 1,该忆阻器一端与 C 1连接的节点为膜电位 V m节点,另一端与 R 1连接的节点为输出脉冲 V spike节点, R 1C 1的另一端均接地;所述自适应控制电路由两个NMOS晶体管 M 1M 3,一个PMOS晶体管 M 2,两个电阻 R 2R 3和一个电容 C 2组成,其中:电阻 R 2和NMOS晶体管 M 1构成一个共源极放大器,即 M 1的源电极连接地,栅电极为放大器输入,漏电极连接 R 2并且为放大器输出, R 2的另一端连接工作电压 V dd,放大器的输入连接LIF电路的 V spike节点,输出连接PMOS晶体管 M 2的栅电极; M 2为电流源,其源电极连接工作电压 V dd,漏电极连接电阻 R 3和自适应电容 C 2R 3C 2为并联关系,一端连接 M 2的漏电极,另一端连接地;同时, R 3C 2M 2漏电极共同连接的节点为自适应控制信号 V g节点,连接到NMOS晶体管 M 3的栅电极,用以控制 M 3的开启状态; M 3为LIF电路提供多一条膜电容泄漏路径,其漏电极和源电极分别连接 V m节点和地。为实现自适应行为,该自适应人工脉冲神经元电路需要满足条件: R 3× C 2大于( R 1+ RC 1,其中 R为易失性阈值阻变忆阻器的高阻态电阻值。
将输入电流 I in施加在 V m节点上,电荷在 C 1上积累, V m升高。同时, V m节点上的电荷逐渐泄漏至地,一个泄漏路径是由忆阻器和 R 1串联形成的路径,另一个是当NMOS晶体管 M 3处于开启状态时其沟道形成的路径。若 V m达到忆阻器的阈值电压 V th,忆阻器转变为低阻, C 1快速放电,同时 V spike输出一个电压脉冲。当 V m降低到忆阻器的保持电压 V hold,忆阻器回到高阻,脉冲结束。这个脉冲透过反馈连接输入到自适应控制电路里。具体的,该电压脉冲输入到自适应控制电路里由NMOS晶体管 M 1和电阻 R 2所组成的共源极放大器,经放大驱动PMOS晶体管 M 2对自适应电容 C 2充电,使得自适应控制信号 V g升高。 M 3的栅电极由 V g控制,因此当 V g升高, M 3的源漏泄漏电流增加,基于基尔霍夫电流定律, C 1的充电电流减小,使得 C 1的充电过程变得更难,进而抑制神经元的兴奋性,实现自适应行为。若撤去 I in,LIF电路停止发放脉冲,回到静息状态,则在自适应控制电路中 C 2透过电阻 R 3逐渐放电, V g逐渐降低, M 3逐渐关断,LIF电路的泄漏通路逐渐回到初始状态,那么神经元的兴奋性也逐渐回到初始状态。
本发明所述易失性阈值阻变忆阻器可以为基于莫特相变的莫特忆阻器、基于金属导电细丝的扩散性忆阻器和基于硫族化物的OTS忆阻器(Ovonic Threshold Switch,双向阈值开关器件)。进一步地,所述莫特忆阻器可以为基于VO2、NbO2等莫特绝缘体材料的器件,所述扩散性忆阻器可以为基于Ag、Cu等活性金属导电细丝的器件,OTS忆阻器可以为基于Se、Te等硫族元素的硫族化物器件。
本发明提供了一种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,利用易失性阈值阻变忆阻器的动力学行为模拟LIF神经元的泄漏、积累和发放功能,并将所发放脉冲反馈到自适应控制电路,通过提高自适应控制信号来提高膜电容的泄漏电流,对神经元的兴奋性起到抑制作用,形成自适应。与传统CMOS方案的自适应脉冲神经元电路相比,本发明的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大幅度降低了硬件开销,对于大规模集成要求具有强时域信息处理能力的脉冲神经网络,例如神经形态生理信号检测系统,具有颇大的发展前景。
附图说明
图1为本发明基于易失性阈值阻变忆阻器的用于神经形态生理信号检测系统的自适应脉冲神经元电路图,其中, RCM分别表示电阻、电容和晶体管, I in为输入电流, V dd为供电电压, V m为膜电位, V spike为输出脉冲电压, V g为自适应控制信号。
图2为本发明基于易失性阈值阻变忆阻器的用于神经形态生理信号检测系统的自适应脉冲神经元电路在工作时的流程图。
图3为本发明基于VO2易失性阈值阻变莫特忆阻器的用于神经形态生理信号检测系统的自适应脉冲神经元电路模拟中,自适应控制信号 V g对神经元发放频率及脉冲间隔的影响。
图4为本发明基于VO2易失性阈值阻变莫特忆阻器的用于神经形态生理信号检测系统的自适应脉冲神经元电路的模拟结果。
具体实施方式
为了更加清楚地阐明本发明的目的、技术方案与优点,下面结合附图,进一步详细地说明本发明。此处的描述仅仅用以解释本发明,并不用于限定本发明。
本发明提出了一种基于易失性阈值阻变忆阻器的用于神经形态生理信号检测系统的自适应人工脉冲神经元电路,能够模拟神经元的脉冲发放功能,并将脉冲反馈到自适应控制电路里去控制并抑制神经元自身的兴奋性,产生自适应行为,用以解决已被报道过的自适应脉冲神经元电路开销过大的问题。不同于其他已被报道过的自适应脉冲神经元,本发明的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利用了一个易失性阈值阻变忆阻器便能够模拟神经元动力学特性的特性,并配合反馈连接以及简单且器件数量少的自适应控制电路来赋予该神经元自适应特性。
图1为本发明的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图。该自适应脉冲神经元由两个部分组成。第一个部分是基于易失性阈值阻变忆阻器的LIF电路。具体结构是将忆阻器与读出电阻 R 1串联,再与膜电容 C 1并联。忆阻器与 C 1连接的一端为膜电位 V m节点,且同时为神经元的输入端。忆阻器与 R 1连接的一端为输出脉冲电压 V spike的节点。LIF电路接受输入激励 I in并进行积累操作,当膜电位高于阈值,神经元发放电压脉冲,并将 V m重置到低电位,神经元回到输入积累阶段并重复此过程,直到撤去输入刺激。第二部分是自适应控制电路。具体结构是由电阻 R 2和NMOS晶体管 M 1构成一个共源极放大器,其输入连接LIF电路的 V spike节点,输出连接PMOS晶体管 M 2的栅电极。 M 2为电流源,其源电极连接工作电压 V dd,漏电极连接电阻 R 3和自适应电容 C 2R 3C 2为并联关系,一端连接 M 2的漏电极,另一端连接地。同时, R 3C 2M 2漏电极共同连接的节点为自适应控制信号 V g节点,连接到NMOS晶体管 M 3的栅电极,用以控制 M 3的开启状态。 M 3为LIF电路提供多一条膜电容泄漏路径,其漏电极和源电极分别连接 V m节点和地。自适应控制电路接受来自LIF电路的电压脉冲,并控制 M 3使得由其形成的膜电容泄漏电流增加,进而使得LIF电路的积累操作变得困难,即抑制了神经元的兴奋性,产生自适应行为。
图2为本发明的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在工作时的流程图。具体的,当忆阻器处于高阻态时,神经元处于积累阶段,输入刺激 I inC 1进行充电。同时, C 1上的电荷逐渐泄漏至地,其中忆阻器与 R 1串联形成一个泄漏路径,并且若 M 3处于开启状态,即 M 3的栅电压 V g大于自身的开启电压时, M 3的沟道形成第二个泄漏路径。若输入刺激足够强,则 V m总体上升高。当 V m大于忆阻器的阈值电压 V th,则忆阻器转变为低阻态,使得 C 1经过忆阻器快速放电, V m快速降低,同时 V spike输出一个电压脉冲。当 V m小于忆阻器的保持电压 V hold,则忆阻器转变为高阻态,电压脉冲结束。此时,神经元回到积累阶段并重复上述过程,直到撤去输入刺激。 V spike的电压脉冲由反馈连接输入到自适应控制电路里,由共源极放大器放大后驱动电流源 M 2C 2充电,则 V g增加。经过若干个脉冲发放后, V g大于 M 3的开启电压, M 3开启,形成一条让 C 1上的电荷泄漏至地的路径。若神经元继续发放脉冲, V g继续增加, M 3的源漏电流增加,使得 C 1的泄漏电流也增加。对于 V m节点,基于基尔霍夫电流定律,在相同大小的输入刺激下,泄漏电流越大,则 C 1的充电电流越小,神经元的积累过程变得更困难,这意味着神经元的兴奋性被抑制,表现出自适应行为。撤去输入刺激后, C 2经过 R 3缓慢地放电, V g降低, M 3逐渐关断,则神经元的兴奋性逐渐回到初始态。
本发明所述易失性阈值阻变忆阻器可以为基于莫特相变的莫特忆阻器、基于金属导电细丝的扩散性忆阻器和基于硫族化物的OTS忆阻器。进一步地,莫特忆阻器可以为基于VO2、NbOx等莫特绝缘体材料的器件,扩散性忆阻器可以为基于Ag、Cu等活性金属的器件,OTS忆阻器可以为基于Se、Te等硫族元素的硫族化物器件。
所述易失性阈值阻变忆阻器具备以下特性:
(1)具有阈值转变特性;
(2)具有自动恢复到高阻态的易失特性。
具体地,以VO2莫特忆阻器为例,图3为本发明的基于VO2易失性阈值阻变莫特忆阻器的自适应人工脉冲神经元电路模拟中,自适应控制信号 V g对神经元发放频率及脉冲间隔的影响,其中输入刺激 I in固定不变,并改变直接施加于 M 3的栅电压 V g,对于每个 V g可以得到频率固定的脉冲发放行为。可以看到,当 V g小于一定的电压值,脉冲发放频率以及脉冲间隔不随 V g变化而变化,该电压值即为 M 3的开启电压。当进一步提高 V g,脉冲发放频率逐渐下降,脉冲间隔逐渐变大。当 V g大于一定的电压值,经 M 3的泄漏电流过大,使得 C 1无法充电至 V th,则神经元停止发放脉冲。因此,由图3可知, V g能够有效地调制神经元发放频率。
进一步地,以VO2莫特忆阻器为例,图4为本发明的基于VO2易失性阈值阻变莫特忆阻器的自适应人工脉冲神经元电路的模拟结果,其中输入刺激 I in为阶跃信号, V g由自适应控制电路控制。可以看到,输入刺激施加的初始时刻,LIF电路以高频率发放脉冲,同时脉冲反馈到自适应控制电路使得 V g逐渐增加。当 V g足够大时,脉冲发放频率随 V g的继续增加而降低,直到达到一个饱和的状态。饱和状态下, V g的上升趋势停止并围绕着一个固定的电压值做小幅度振荡,同时LIF电路的脉冲发放频率达到最低水平并固定不变。LIF电路的脉冲发放频率从初始时刻的高水平逐渐降低至最后的低水平,此行为即自适应行为。进一步地,要实现自适应行为,电路需要满足条件: V g的RC时间常数 R 3× C 2必需大于 V m的RC时间常数( R 1+ R VO2) × C 1,其中 R VO2为VO2莫特忆阻器的高阻态电阻值。可以看到,该条件被满足的一个标志为当撤去输入刺激后, V m快速衰减至0 V,而 V g缓慢衰减至0 V。由图4可知,本发明的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具有明显的自适应行为。
本发明提出了一种新的用于神经形态生理信号检测系统的自适应人工脉冲神经元电路,利用了一个易失性阈值阻变忆阻器来模拟LIF神经元,并将所发放脉冲反馈到简单且器件数量小的自适应控制电路来控制膜电容的泄漏电流以实现适应行为,相比于已被报道的自适应脉冲神经元,大大降低了硬件成本,非常有利于大规模神经形态生理信号检测系统的集成,同时也非常有利于将该系统应用到便携式医疗设备或人机界面,具有颇高的应用发展前景。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求所述为准。

Claims (4)

1.一种自适应人工脉冲神经元电路,其特征在于,包括两个部分:第一个部分是基于易失性阈值阻变忆阻器的LIF电路,第二个部分是自适应控制电路;所述LIF电路由一个易失性阈值阻变忆阻器串联一个读出电阻R 1,再并联一个模拟膜电容的电容C 1组成;LIF电路接受输入刺激时进行电荷积累,并在达到发放阈值时发放一个电压脉冲,将这个电压脉冲反馈输入自适应控制电路以提高控制电压,被提高的控制电压使得LIF电路中的泄漏电流增加,从而使得LIF电路的电荷积累变得困难,即LIF电路的兴奋性得到抑制,产生自适应行为;其中,所述易失性阈值阻变忆阻器一端与电容C 1连接的节点为膜电位V m节点,另一端与电阻R 1连接的节点为输出脉冲V spike节点,电阻R 1和电容C 1的另一端均接地;所述自适应控制电路由两个NMOS晶体管M 1M 3,一个PMOS晶体管M 2,两个电阻R 2R 3和一个电容C 2组成,其中:电阻R 2和NMOS晶体管M 1构成一个共源极放大器,即M 1的源电极连接地,栅电极为放大器输入,漏电极连接R 2并且为放大器输出,R 2的另一端连接工作电压V dd,放大器的输入连接LIF电路的V spike节点,输出连接PMOS晶体管M 2的栅电极;M 2为电流源,其源电极连接工作电压V dd,漏电极连接电阻R 3和自适应电容C 2,电阻R 3和电容C 2为并联关系,一端连接PMOS晶体管M 2的漏电极,另一端连接地;同时,电阻R 3、电容C 2和PMOS晶体管M 2漏电极共同连接的节点为自适应控制信号V g节点,连接到NMOS晶体管M 3的栅电极,用以控制NMOS晶体管M 3的开启状态;NMOS晶体管M 3的漏电极和源电极分别连接V m节点和地;且所述自适应人工脉冲神经元电路需要满足条件:R 3×C 2大于(R 1+RC 1,其中R为易失性阈值阻变忆阻器的高阻态电阻值。
2.如权利要求1所述的自适应人工脉冲神经元电路,其特征在于,所述易失性阈值阻变忆阻器为基于莫特相变的莫特忆阻器、基于金属导电细丝的扩散性忆阻器或基于硫族化物的OTS忆阻器。
3.如权利要求2所述的自适应人工脉冲神经元电路,其特征在于,所述莫特忆阻器是基于VO2或NbO2莫特绝缘体材料的器件;所述扩散性忆阻器是基于Ag或Cu导电细丝的器件;所述OTS忆阻器是基于Se、Te的硫族化物器件。
4.一种神经形态生理信号检测系统,其特征在于,所述神经形态生理信号检测系统中包括权利要求1~3任一所述的自适应人工脉冲神经元电路。
CN202310149554.7A 2023-02-22 2023-02-22 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 Active CN115906961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310149554.7A CN115906961B (zh) 2023-02-22 2023-02-22 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310149554.7A CN115906961B (zh) 2023-02-22 2023-02-22 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

Publications (2)

Publication Number Publication Date
CN115906961A CN115906961A (zh) 2023-04-04
CN115906961B true CN115906961B (zh) 2023-05-16

Family

ID=85742794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310149554.7A Active CN115906961B (zh) 2023-02-22 2023-02-22 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

Country Status (1)

Country Link
CN (1) CN115906961B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720553B (zh) * 2023-06-12 2024-03-26 湖南大学 一种基于hh模型设计的t型和p型忆阻神经元电路

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967589A (zh) * 2020-08-21 2020-11-20 清华大学 神经元模拟电路及其驱动方法、神经网络装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120011092A1 (en) * 2010-07-07 2012-01-12 Qualcomm Incorporated Methods and systems for memristor-based neuron circuits
CN107742153B (zh) * 2017-10-20 2020-02-21 华中科技大学 一种基于忆阻器的具有稳态可塑性的神经元电路
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
CN114648108B (zh) * 2022-04-20 2024-09-03 华中科技大学 自适应仿生神经元电路及仿生神经元自适应模拟方法
CN114792130A (zh) * 2022-05-05 2022-07-26 南京大学 一种具有泄漏-积分-发射功能的人工神经元
CN114970840B (zh) * 2022-05-17 2024-08-27 华中科技大学 一种不规则放电仿生神经元电路及其放电仿生方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967589A (zh) * 2020-08-21 2020-11-20 清华大学 神经元模拟电路及其驱动方法、神经网络装置

Also Published As

Publication number Publication date
CN115906961A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
KR101432202B1 (ko) Stdp 및 도파민 시그널을 갖는 3―멤리스터 시냅스에 대한 방법들 및 시스템들
Park et al. Neuromorphic speech systems using advanced ReRAM-based synapse
US10740672B2 (en) Capacitative artificial neural networks
Covi et al. HfO2-based memristors for neuromorphic applications
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
CN110428050B (zh) 一种基于忆阻器实现多样化stdp学习规则的突触仿生电路
TW200307220A (en) Integrated circuit apparatus and neuro element
CN112906880B (zh) 一种基于忆阻器的自适应神经元电路
Milo et al. Attractor networks and associative memories with STDP learning in RRAM synapses
CN210488595U (zh) 基于忆阻器实现多样化stdp学习规则的突触仿生电路
CN114757345A (zh) 一种忆阻联想记忆神经网络电路及其控制方法
CN111967589A (zh) 神经元模拟电路及其驱动方法、神经网络装置
US20210174173A1 (en) Circuit Structure and Driving Method Thereof, Neural Network
Mahalanabis et al. Demonstration of spike timing dependent plasticity in CBRAM devices with silicon neurons
Feali Using volatile/non-volatile memristor for emulating the short-and long-term adaptation behavior of the biological neurons
Milo et al. Resistive switching synapses for unsupervised learning in feed-forward and recurrent neural networks
CN115222026A (zh) 一种脉冲神经网络硬件电路
JP2020154412A (ja) ニューラルネットワーク装置
CN114169511B (zh) 一种基于实物忆阻器的联想记忆电路及方法
Sun Cmos and memristor technologies for neuromorphic computing applications
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
WO2021092896A1 (zh) 类神经电路以及运作方法
Wu et al. Enabling bio-plausible multi-level stdp using cmos neurons with dendrites and bistable rrams
Lorenzi et al. Memristor based neuromorphic circuit for visual pattern recognition
Shin et al. Neuronal spike event generation by memristors

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