离散的记忆式霍普菲尔德神经网络与基于FPGA的伪随机数生成器的网格多面杂

科学领域:

• 神经科学是一个神经科学.
• 混沌理论 混沌理论
• 硬件安全 硬件安全

背景情况:

• 霍普菲尔德神经网络 (HNN) 是计算神经科学和关联记忆的基础模型.
• 超混沌系统提供复杂的动态,对安全通信和随机数生成有价值.
• 作为新兴的非易失性内存设备,memristors为神经网络的硬件实现提供了独特的特性.

研究的目的:

• 提出和分析一个离散的基于两个memristor的霍普菲尔德神经网络 (DTM-HNN).
• 研究网格多面体和同质共存的超混沌吸引子的生成.
• 开发和评估基于DTM-HNN的硬件伪随机数生成器 (PRNG).

主要方法:

• 集成两个memristors与片状线性状态函数到一个两个神经元的HNN.
• 固定点和雅可比式分析以了解吸引力行为.
• 用对角距离和光谱来进行定量表征的数值模拟.
• 设计和实施数字硬件设备,用于实时观察和参数配置.

主要成果:

• DTM-HNN成功地产生了可调节的网格多面体和同质的共存超混沌吸引器.
• 记忆器参数和缩放因子允许灵活调节吸引器结构和尺寸.
• 观察和定量分析了丰富的动态行为,包括状态过渡.
• 一个基于动态状态切换的硬件PRNG表现出高吞吐量,并通过了NIST随机性测试.

结论:

• DTM-HNN提供了一个灵活的平台,用于生成复杂的超混沌动态.
• 开发的硬件PRNG由于其性能和密钥灵敏度,在安全应用中具有实际实用性.
• 这项工作将HNN的理论模型与高级功能的实际硬件实现相结合.