基于忆阻器的MLP神经网络仿真研究

发布时间：2021-11-08 23:18

　　在过去几十年中,人们主要通过不断的缩小CMOS技术的工艺尺寸的方式,来提高芯片的性能和集成密度,并降低功耗。然而,随着CMOS器件尺寸越来越接近其物理极限,对具有与传统CMOS不同工作原理的新型器件的探索需求不断增加。近年来,许多努力致力于研究基于下一代新型非易失性存储器（Emerging non-volatile memory）的类脑神经形态计算技术,如:阻变存储器,相变存储器和磁存储器等。其中,忆阻具有高速、高密度、低功耗、易集成、与CMOS工艺兼容等优点,且被认为可以精确模拟突触可塑性行为,因此,极具潜力成为神经形态计算系统中的基本突触单元。具有模拟特性的忆阻器阵列能够进行并行的矩阵向量乘法运算和权重更新操作,这可以显著的缩短人工神经网络算法的训练时间。但是,非理想的忆阻器件模拟性能往往会对神经网络学习的准确性造成影响。因此,阐明忆阻器件的非理想模拟特性对神经网络学习准确性的影响规律,对于进一步优化器件性能、发展相应网络硬件算法,至关重要。本文首先基于忆阻器件模拟特性的实验数据,统计建立了忆阻器电导渐变曲线的数学模型,并通过模型中的参数拟合来量化忆阻器的非理想特性参数。其次,为了... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

（a）四种基本电路元件[9]

图 1-1（a）四种基本电路元件[9]，（b）Pt/TiO2-x/Pt 忆阻器件 I-V 曲线[9]，越来越多的研究人员开始转向忆阻器的研究，并且在各种不同的发现了忆阻现象。随着研究的深入，研究人员对不同材料中的阻变认识和理解，并建立了各种不同物理模型来解释忆阻现象，其中被模型是导电细丝模型和非导电细丝模型。

6图 1-3（a）一层感知机与 1T1R 阵列映射关系（b）输入信息编码方式[32]上述文献实现的网络比较简单，只有一层，不存在层与层之间的通信，同时的任务比较简单，也没有考虑正负权重与忆阻器件电导之间的映射方式。下马萨诸塞大学杨建华团队的研究工作[33]，简单介绍下层间通信与正负权重表 1-4（b）所示，为了实现正负权重表示，首先将忆阻器阵列扩展一倍，一部储正的权重，一部分用于存储负的权重，然后在输入信息时，两部分权重对别输入相反的电压信号。为了实现层间通信，在每一层的输出行上设计相应路，可以将加权求和的电流转换为电压信号，并实现线性和带有阈值的激活函作为下一层的输入电压信号。此种方式，将输入信息编码为了电压的幅值，周期便能完成加权求和过程。但是，由于忆阻器件的非线性 I-V 特性，采用的编码往往会对加权求和的电流产生较大的计算误差，并且神经元电路相对


本文编号：3484212