当前位置:主页 > 科技论文 > 电子信息论文 >

基于CMOS忆阻器混合电路的递归神经网络研究与设计

发布时间:2021-07-31 16:22
  随着纳米技术的发展,高集成度神经网络电路成为可能。虽然CMOS工艺在不断地进步,但是基于CMOS的神经网络仍然存在很多不可避免的问题:突触信息存储在片上的易失性;CMOS神经网络需要额外的器件进行神经元累加操作等。这使得基于CMOS的神经网络难以满足所需的高集成度。为了提高硬件集成度以及减少网络功耗,提出了基于忆阻器的神经网络。忆阻器具有功耗低、尺寸小、计算存储一体化等特点,非常适合应用于神经网络的硬件实现中。本文利用忆阻器计算存储一体化的特性,对忆阻器交叉阵列结构进行改进和分析,使其更加准确地存储权值和偏置值,且结合忆阻器相应的编码方案后可以实现点积运算过程。根据改进的忆阻器交叉阵列结构,本文还设计了 CW-RNN电路结构,可以完成CW-RNN的基本运算过程。在此运算过程中,神经元的状态值直接使用采样保持电路以模拟形式进行存储,从而避免一次模数-数模转换过程。此结构设计面积为81.128um2,且相比较于一台计算机的运算性能,此电路结构速度更快、功耗更低。由于忆阻器本身存在误差,为了保证忆阻CW-RNN的可靠性,使用了忆阻器的写控制电路,使得忆阻器写权值更加准确,分类准确率更高。根据... 

【文章来源】:湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】:67 页

【学位级别】:硕士

【部分图文】:

基于CMOS忆阻器混合电路的递归神经网络研究与设计


图2.1四种基本元件之间的关系[I6]??

模型图,忆阻器,滑动变阻器,电路模型


电阻减小呈现低阻态。反之,缺氧掺杂物被推回,掺杂区减小,器件电阻增大呈??现高阻态。因此,器件的作用相当于一个滑动变阻器。惠普实验室给出了忆阻器??与滑动变阻器的等效模型,如图2.2所示,在该等效模型中D是两电极之间薄??膜的长度,w代表缺氧二氧化钛掺杂长度(也称为状态变量),电压表、电流表??分别测忆阻器两端的电压以及流经忆阻器的电流,由于非掺杂区域的阻性强,将??非掺杂区等效成一个高电阻及说(高阻态/OFF状态),而掺杂区的导通性强电??阻小,将掺杂区等效成一个低电阻i?。。(低阻态/ON状态),整个器件的总电阻??相当于掺杂物所在区域的电阻串联非掺杂区的电阻。??!'?…???*?w?...??■?w?、?一,?r?(1^?Undoped:??IMoped?I?Undoped?L?\?卜㈡??'<D?>?W ̄\?^?-AW-???■?,n??八ON??图2.2忆阻器等效成滑动变阻器模型mi??根据蔡少棠的忆阻器理论构建电路模型时,一个有效的忆阻器模型要满足??以下要求:模型必须尽可能地与实际器件特性拟合;理想的模型应该简单、直观??且是闭合回路;模型应该具有一般性

特征图,特征图,线性模型,神经元


之间的互相连接构成。每个神经元都有一种特定的输出函数,被称为激活函数。??每两个神经元间的连接都由加权值所表示,称之为权重。连接权重值,神经元之??间的连接方式和激励函数的选择不同会导致网络的输出不同。如下图2.5展示了??一个神经元,它是由输入、激活函数和输出组成。??X,?人工突触??X2?^?/?''Nv?激活函数??x3?^??/(?)?>?输出??i??图2.5神经网络结构??在神经元的数学模型中,轴突所携带的信号A:通过突触F进行传递,由于??突触的强弱不一,突触F具有学习能力,它控制一个祌经元对另一个神经元影??响的大小和方向。然后树突接收到信号后传递到神经元内部,与其他树突传递过??来的信号一起进行相加,如果这个和值大于某一个固定阈值的话,神经元就会被??激活,然后传递冲激信号^给树突。我们将是否激活神经元的函数称为激活函??数

【参考文献】:
期刊论文
[1]基于忆阻器交叉阵列的卷积神经网络电路设计[J]. 胡飞,尤志强,刘鹏,邝继顺.  计算机研究与发展. 2018(05)
[2]基于神经元晶体管和忆阻器的Hopfield神经网络及其在联想记忆中的应用[J]. 朱航涛,王丽丹,段书凯,杨婷.  西南大学学报(自然科学版). 2018(02)
[3]忆阻递归神经网络稳定性分析及其在联想记忆中的应用(英文)[J]. 鲍刚,陈媛媛,温思雨,赖陟岑.  自动化学报. 2017(12)
[4]一种基于忆阻激活函数的递归神经网络及其联想记忆[J]. 郭腾腾,王丽丹,周梦哲,段书凯.  中国科学:信息科学. 2017(09)
[5]A long lifetime,low error rate RRAM design with self-repair module[J]. 尤志强,胡飞,黄黎明,刘鹏,邝继顺,李实英.  Journal of Semiconductors. 2016(11)
[6]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[7]基于忆阻器的模拟人工神经元电路设计[J]. 朱任杰,张涛,柯志强.  微电子学与计算机. 2014(08)
[8]忆阻器存储研究与展望[J]. 胡舒凯,吴俊杰,周海芳,张拥军,方旭东.  计算机研究与发展. 2012(S1)
[9]前馈神经网络中的反向传播算法及其改进:进展与展望[J]. 刘曙光,郑崇勋,刘明远.  计算机科学. 1996(01)

硕士论文
[1]基于CMOS忆阻器混合电路的卷积神经网络研究与设计[D]. 胡飞.湖南大学 2017
[2]忆阻器在神经网络中的应用研究[D]. 王伟伟.湖南大学 2015



本文编号:3313793

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3313793.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户1e068***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com