关键词:
阻变存储器
数学分析模型
突触可塑性模拟
BCM学习法则模拟
方向选择性
摘要:
阻变存储器(RRAM)作为一种具有记忆功能的非线性电子元件,其阻值连续可调并能长期保持的特性与生物神经突触可塑性具有高度相似性,并且在结构、功耗、密度、转变速度等方面也和生物神经突触具有可比拟性,被认为是进行类脑突触仿生和模式识别的最佳候选者之一。然而其突触仿生研究仍处于初级阶段,器件阻变机制不明确、突触功能模拟单一等都限制了其进行更高阶、更复杂神经突触功能仿生的研究。因此,多途径探究阻变机制、明确参数演变规律、丰富突触可塑性学习规则模拟,并以此为基础进行模式识别的差异性分析、功能性拓展,是当下急需开展的研究工作。本论文将首先构建数学分析模型对阻变过程进行机制探究;然后在模型研究基础上,分别使用具有时序依赖特性和频率依赖特性的突触可塑性进行模式识别探究。主要研究内容如下:1.对具有不同介质层数的阻变存储器建立数学分析模型进行机制探究。在导电细丝机制的数学分析模拟中,导电细丝尺寸的不同会对焦耳热流动、缺陷迁移速率等模型关键参数带来影响,我们基于缺陷在电场、热场和浓度梯度下的迁移规律,设计了新的阻变模型,使模型参数选择符合导电细丝尺寸特点,并在钙钛矿器件中验证了模型的准确性。以往的模型都建立在单层器件的基础上,然而对于双层器件来说,随着插入层的引入,导电细丝通断位置、通断顺序等和单层器件明显不同,我们采用对器件开启、关闭过程进行分步模拟的策略,设计了适用于双层阻变器件的模型,并在AIST/a-C器件中得到验证。两种模型的模拟结果均与阻变现象相吻合,并得到了导电细丝在阻变过程中的局域温度、形貌变化等参数演变规律。2.在模型研究基础上,对基于时序依赖特性的神经突触可塑性进行模拟并探究它们在模式学习任务中的性能差异。我们在钙钛矿器件模型研究的基础上,设计了具有2T1R结构的神经元,通过信号设计,实现了神经突触反时序依赖可塑性(anti-STDP)的模拟,并将其用于单模式和多模式学习任务中。我们在WOx器件中同时观测到了数字型和模拟型阻变行为,数字型器件具有阻值离散、波动性大的特点;而模拟型器件具有阻值连续、波动性小的特点。在随后的模式学习任务中,它们各自展现出学习速度快和学习精确度高的优势,为了同时发挥它们的学习优势,我们设计了数字型和模拟型共存的神经网络,并通过学习策略的优化,实现了模式学习在学习速度和学习精确度的连续可调。3.通过模拟具有频率依赖特性的BCM学习法则进行视觉皮层高阶突触功能模式识别探究。目前,对突触仿生的研究主要集中在时序依赖可塑性(STDP)的模拟,然而,基于频率依赖可塑性的BCM学习法则更符合生物突触可塑性规律,我们在对WOx器件进行tri-STDP学习法则模拟的基础上,通过all-to-all框架建立tri-STDP学习法则和BCM学习法则的映射关系,成功对BCM学习法则进行模拟,并符合其高频增强、低频抑制、频率阈值滑动可调的特点。进一步,我们设计了81×1的神经网络结构,将BCM学习法则应用于频率选择性和方向选择性的模式识别任务中,结果表明,神经网络最终会选择某一频率模板或方向模板作为训练结果,被选择模板的后突触频率响应高于频率阈值,其突触权重得到持续增强;而其它模板的后突触频率响应低于频率阈值,其突触权重得到持续抑制。