科研人員基於憶耦器實現神經突觸可塑性和神經網路類比

人的大腦是一個由~10^11神經元和10^15突觸構成的高度互連, 大規模並行, 結構可變的複雜網路. 在神經網路中, 神經元被認為是大腦的計算引擎, 它並行地接受來自與樹突相連的, 數以千計的突觸的輸入訊號. 突觸可塑性是通過特定模式的突觸活動產生突觸權重變化的生物過程, 這個過程被認為是大腦學習和記憶的源頭. 類比神經突觸可塑性和學習功能, 構建人工神經網路, 是未來實現神經形態類腦計算機的關鍵. 近年來, 隨著新型電子器件的出現和人工智慧技術的興起, 利用單一電子器件實現神經突觸可塑性和學習功能的類比, 形成了一個新的前沿研究方向——突觸電子學 (Synaptic Electronics) .

目前, 突觸電子學主要採用兩端阻變器件 (憶阻器) 和三端阻變器件 (場效應晶體管) 來進行神經突觸功能的類比. 這些器件的電阻變化與神經突觸權重 (突觸連接強度) 的變化極為相似, 已被成功用於類比神經突觸的可塑性和學習功能. 日前, 中國科學院物理研究所/北京凝聚態物理國家研究中心磁學國家重點實驗室孫陽研究組在國際上首先提出了一種基於磁電耦合效應的非易失性電路元件——憶耦器 (memtranstor) . 這種器件由電荷和磁通的非線性關係來定義, 其狀態值用電耦來表示, 可以通過測量器件的磁電耦合電壓值來給出. 在前期工作中, 孫陽研究組已經分別基於憶耦器成功演示了室溫下的兩態存儲, 多態存儲和布爾邏輯運算功能. 與阻變器件相比, 憶耦器具有更低功耗的優點.

近期, 孫陽研究組副研究員尚大山, 博士研究生申見昕及合作者中科院院士, 物理所研究員沈保根, 北京師範大學教授王守國在憶耦器的應用方面取得了新進展, 成功將憶耦器應用於突觸電子學領域. 他們在具有室溫大磁電耦合效應的Ni/PMN-PT/Ni憶耦器中, 通過調節脈衝觸發電壓和脈衝次數, 實現了電耦值的連續可逆變化, 類比了神經突觸權重增強和減弱行為. 神經生物學研究表明, 神經突觸的學習功能遵循赫布律, 即突觸權重的變化取決於連接突觸前後神經元的激發活性. 他們通過設計脈衝電壓觸發波形, 並將兩組脈衝波形進行疊加, 實現了脈衝時序依賴可塑性 (STDP) 的突觸可塑性行為. 在此基礎上, 他們構建了基於憶耦器的4*4神經網路, 採用隨機雜訊學習方法, 類比了圖片靜態和動態學習功能. 該研究在國際上首次利用憶耦器類比了神經突觸可塑性和學習功能, 證明了基於憶耦器構建低功耗神經網路的可行性, 為突觸電子學和類腦計算技術的開發提供了一種全新的途徑.

相關研究成果發表在 Advanced Materials 上. 該研究得到了國家自然科學基金委, 科技部和中科院的資助.

圖1.a, 基本電路元件關係圖; b, 憶耦器特徵曲線; c, 憶耦器工作原理圖; d, 磁電耦合電壓 (VME) 隨磁場和電極化方向的變化.

圖2.a, 神經突觸示意圖; b, 激發/抑制後突觸電勢 (EPSP/IPSP) 隨脈衝觸發電壓的變化; c, 2.5 kV/cm脈衝電壓觸發條件下EPSP/IPSP隨脈衝觸發次數的變化.

圖3.a, b, 脈衝時序依賴可塑性及相應的脈衝觸發波形. c, d, 脈衝時序依賴可塑性的簡化形式及相應的脈衝觸發波形.

圖4.a, 神經網路示意圖; b, 觸發脈衝波形示意圖; c, 神經網路學習前後的突觸權重分布圖; d, 學習準確度的飽和值隨雜訊像素點數目的變化.

2016 GoodChinaBrand | ICP: 12011751 | China Exports