Особенности моделирования работы биоморфной нейросети на электронном устройстве с энергонезависимой памятью и низким потреблением энергии

Об авторах:

Бусыгин Александр Николаевич, аспирант кафедры прикладной и технической физики, лаборант-исследователь НОЦ «Нанотехнологии», Тюменский государственный университет; eLibrary AuthorID, ScopusID, a.n.busygin@utmn.ru; ORCID: 0000-0002-3439-8067

Кузьменко Алексей Юрьевич, аспирант кафедры микро- и нанотехнологий, Тюменский государственный университет; alekslock@yandex.ru

Писарев Александр Дмитриевич, кандидат технических наук, доцент кафедры прикладной и технической физики, заведующий лабораторией пучково-плазменных технологий НОЦ «Нанотехнологии», Тюменский государственный университет; eLibrary AuthorID, ORCID, Scopus AuthorID, spcb.doc@gmail.com

Филиппов Вадим Анатольевич, кандидат социологических наук, руководитель Центра прорывных исследований, Искусственные когнитивные системы, заместитель ректора по программе 5-100, Тюменский государственный университет; filippov-vadim@yandex.ru

Аннотация:

Для моделирования работы биоморфной нейросети изготовлено электронное устройство, сочетающее в себе программируемые микроконтроллеры и энергонезависимую мемристорную память и имеющее возможность работы совместно с персональным компьютером. Устройство позиционируется как исследовательская платформа для выработки наиболее эффективной организации кортикоморфного процессора. В качестве первоначальной архитектуры выбраны однослойный персептрон для первичного ассоциирования входных данных и биоморфная нейросеть. В статье обсуждаются особенности моделирования работы биоморфной нейросети и ее адаптации для запуска на устройстве.

Список литературы:

1. Бобылев А. Н. Создание электронного запоминающего устройства, подобного по свойствам синапсу мозга / А. Н. Бобылев, С. Ю. Удовиченко // Доклады Томского государственного университета систем управления и радиоэлектроники. 2015. № 4 (38). С. 68-71. 
2. Журавский Д. В. Установление подобия свойств синапса и мемристора, используемого в электронном устройстве / Д. В. Журавский, А. Н. Бобылев, С. Ю. Удовиченко, В. А. Филиппов // Нейрокомпьютеры: разработка и применение. 2015. № 11. С. 95-101. 
3. Удовиченко С. Ю. Прототип нейроморфного сопроцессора на основе мемристоров из смешанного оксида металлов / С. Ю. Удовиченко, А. Н. Бобылев, А. Н. Бусыгин, А. Д. Писарев, В. А. Филиппов // Сборник тезисов VI конференции Нанотехнологического общества России. 2016. C. 29-32. 
4. Chelsia A. D. Combining neural networks for skin detection. Signal and image processing / A. D. Chelsia, J. A. Dargham, A. Chekima, S. Omatu // Signal and image processing : An International Journal. 2010. Vol. 1. No 2. Pp. 1-11. 
5. Ding Y. R. The Use of Combined Neural Networks and Genetic Algorithms for Prediction of River Water Quality / Y. R. Ding, Y. J. Cai, P. D. Sun, B. Chen // Journal of Applied Research and Technology. 2014. Vol. 12. Pp. 493-499. 
6. Güler I. ECG beat classifier designed by combined neural network model / I. Güler, E. D. Übeyli // Pattern Recognition. 2005. Vol. 38. Pp. 199-208. 
7. Kim K.-H. A functional hybrid memristor crossbar-array/CMOS system for data storage and neuromorphic applications / K.-H. Kim, S. Gaba, D. Wheeler, et al. // Nano Letters. 2012. Vol. 12. Pp. 389-395. 
8. Merolla Р. А. A million spiking-neuron integrated circuit with a scalable communication network and interface / Р. А. Merolla et al. // Science. 2014. Vol. 345. Pp. 668-672. 
9. Plahl C. Feature combination and stacking of recurrent and non-recurent neural networks for LVCSR / C. Plahl, M. Kozielski, R. Schluter, H. Ney // IEEE ICASSP. 2013. Pp. 6714-6718. 
10. Prezioso M. Training and operation of an integrated neuromorphic network based on metal-oxide memristors / M. Prezioso, F. Merrikh-Bayat, B. D. Hoskins, G. C . Adam, K. K. Likharev, D. B. Strukov // Nature. 2015. Vol. 521. Pp. 61-64. 
11. Wen C. A new optical music recognition system based on combined neural network / C. Wen, A. Rebelo, J. Zhang, J. Cardoso // Pattern Recognition Letters. 2015. Vol. 58. Pp. 1-7.