有效的尖端神经网络与生物学上相似的离子记忆器神经元
Shanwu Ke1, Yanqin Pan1, Yaoyao Jin1
1School of Microelectronics, Key Laboratory of Intelligent Sensing System and Security, Ministry of Education, Hubei University, Wuhan 430062, China.
ACS applied materials & interfaces
|March 5, 2024
概括
一种基于的新型记忆器模拟了生物突触,用于节能增强神经网络 (SNN). 这一突破实现了超快的速度和高的识别率,大大降低了神经形态计算中的能源消耗.
科学领域:
- 材料科学 材料科学 材料科学
- 神经科学是一个神经科学.
- 计算机工程 计算机工程
背景情况:
- 尖端神经网络 (SNN) 提供能源效率,但神经形态设备缺乏生物平行,导致高能耗.
- 生物突触利用离子运输 (Na+,K+) 进行信号传输,这种机制在当前的人工突触中没有完全复制.
- 开发节能的神经形态设备对于推进人工智能和脑启发计算至关重要.
研究的目的:
- 提出并描述一种基于Li的memristor (Li_AlO),用于模拟生物突触.
- 为了研究基于的memristor中的离子动力学和导电丝机制.
- 为了证明memristor在构建高效的尖端神经网络 (SNN) 进行图像识别方面的能力.
主要方法:
- 制造和表征Li_AlO记忆器,评估操作速度,导电量调制和开关行为.
- 模拟生物突触可塑性 (LTP/LTD) 使用开发的Li_AlO记忆器.
- 将Li_AlO记忆器集成到一个值调节的漏洞集成和发射 (TT-LIF) 神经元模型中,并实现基于TT-LIF的SNN算法.
主要成果:
- 基于的memristor展示了超快的操作 (~8 ns),线性导电量调制 (1.91和0.72),并通过空位导电丝进行可重复的切换.
- 记忆器成功模拟了长期强化和长期抑郁,关键的突触行为.
- 使用这些memristor构建的TT-LIF神经元实现了最佳的SNN值,结果的SNN算法产生了90.1%的图像识别率,射击率显著低 (0.335%).
结论:
- 基于的memristor,灵感来自生物离子运输,为节能的神经形态计算提供了一个有前途的解决方案.
- 开发的memristor具有出色的性能特征和突触模拟能力,适合高级SNNs.
- 这项工作证实了Li_AlO记忆元在构建高效和快速的SNN的潜力,用于像图像识别这样的应用.
