연구원들은 인덕터를 기반으로하는 연결성 시냅스 가소성 및 신경망 시뮬레이션을 달성합니다

인간의 뇌는 ~ 15 : 뉴럴 네트워크 변수의 대량 병렬 복잡한 네트워크 구조, 뇌의 신경 세포는 계산 엔진 간주 고도로 상호 시냅틱 이루어지는 10 ^ 11 (10)로부터의 신경 세포 인 이 병렬로 입력 받아, 수지상 시냅스 프로세스 접속 시냅스 수천 시냅스 활성의 특정 패턴에 의해 생물학적 변화를 시냅스 가중치를 생성하고,이 과정은 뇌가 알게되는 것으로 간주되고 소스 메모리 아날로그 시냅스 가소성 및 학습, 인공 신경 네트워크 구축은 neuromorphic 뇌 - 컴퓨터의 미래 실현의 열쇠입니다. 최근 몇 년 동안, 인공 지능 기술과 새로운 전자 기기의 출현의 상승과 함께, 하나의 전자 장치를 사용하여 뉴런 시냅스 소성 및 학습 기능의 시뮬레이션은 새로운 프론티어 연구 분야 인 시냅틱 전자 (Synaptic Electronics)를 이끌어 냈습니다.

현재, 메인 아날로그 전자 시냅스 시냅스 기능 저항성 디바이스 (멤 리스터)와 3 단자 저항 소자 (전계 효과 트랜지스터)를 종료한다. 시냅틱 가중치 및 이들 장치의 중량의 가변 저항 (투영 터치 연결 강도의 변화가) 성공적으로 시냅스 가소성과 학습을 시뮬레이션하는 데 사용 된 매우 유사하다. 최근 물리학 연구소, 중국 과학 아카데미 / 자기 일 양 연구 그룹의 응집 물리 국가 연구 센터 베이징 국립 연구소 세계 최초로 자기 - 전기 결합 효과 (memtranstor)를 기반으로 비 휘발성 회로 요소가 제안되었습니다.이 장치는 전하와 플럭스 사이의 비선형 관계로 정의되며 상태 값은 전기적으로 결합됩니다 상기 자기 결합 측정 장치의 전압 값에 의해 제공 될 수있다 나타낸다. 이전의 연구에서, 일 양이 연구 그룹에 근거한 성공적 실온 다중 상태 메모리 기능 부울 논리 연산 두 - 상태 저장에 연결된 메모리를 보여 주었다. 저항성 장치와 비교할 때, 메모리 장치는보다 낮은 전력 소비의 이점을 갖는다.

최근 쑨양 연구 그룹 부교수 샹 산, 박사 셴은 신화와 협력자 중국 과학 아카데미, 물리학 연구원 셴 바오 세대, 베이징 사범 대학 교수 왕 Shouguo이 성공적으로 커플 링을 회수하고,의 결합 된 응용 프로그램 메모리의 새로운 진전을 볼 충돌 사용 전자 분야를 터치.들은 니켈 / PMN-PT 실온 큰 자기 / 니켈 메모리 결합 장치를 결합 효과가 가역적으로 전기적으로 결합 값 시뮬레이션 돌기 연속적인 변화를 달성하기 위해 펄스 트리거 전압과 펄스 주파수를 조정하여 체중 증가를 터치 동작을 낮 춥니 다. 신경 생물학의 연구 허브가 시냅스 가중치가 이전과 시냅스 연결 후 뉴런의 활동을 자극 따라 달라질 수 있음을 법에 따라 학습하는 시냅스를 보여 주었다. 그들은 펄스 전압 파형을 트리거하는 디자인을 통해, 두 펄스 파형 가소성의 펄스 시퀀스 종속 시냅스 동작합니다 (STDP)을 달성하도록 중첩된다.이 기초가 랜덤 잡음 학습 연결된 4 * 4의 메모리에 기초하여 신경망을 구성 아날로그 이미지 정적 및 동적 학습 기능. 시냅스 소성 및 학습 기능을 시뮬레이션하는 memristor를 사용하여 세계에서 처음으로 연구, 기억 장치를 기반으로 저전력 신경망을 구축 할 수있는 가능성이 입증되어 시냅스 전자 장치 및 두뇌와 같은 컴퓨팅의 개발을위한 완전히 새로운 접근법을 제공합니다.

관련 연구 결과는 Advanced Materials에 발표되었습니다.이 연구는 과학 기술부와 중국 과학원 국립 자연 과학 재단 (National Natural Science Foundation)이 후원했습니다.

그림 1.a는 기본 회로 구성 요소 다이어그램, b는 커플 링 장치의 특성, c는 커플 링의 작동 원리, d는 자기장 및 변화 방향이 분극화 된 자기 - 전기 커플 링 전압 (VME)을 나타냅니다.

무화과 2.A 개략적 시냅스, B, 전압 펄스 트리거 변경 시냅스 후 전위의 여진 / 금지 (EPSP / IPSP) C, 2.5 kV로 / 상태의 수 이하로 cm 펄스 전압 트리거 EPSP / IPSP 트리거 펄스 변경하십시오.

그림 3. a, b는 펄스 타이밍 의존적 인 가소성 및 해당 펄스 트리거 파형 c, d, 간략화 된 형태의 소성 및 해당 펄스 트리거 파형에 따른 펄스 타이밍.

그림 4. a는 신경망 다이어그램, b는 트리거 펄스 파형 다이어그램, c는 시냅스 무게의 분포 전후 학습 신경 네트워크, d는 잡음 픽셀의 개수와 포화 값의 학습 정확도를 변경합니다.

2016 GoodChinaBrand | ICP: 12011751 | China Exports