SPICE-моделирование процессов ассоциативного самообучения и безусловного разобучения в логическом блоке нейропроцессора

Вестник ТюмГУ. Физико-математическое моделирование. Нефть, газ, энергетика.


Выпуск:

2018. Том 4. №3

Название: 
SPICE-моделирование процессов ассоциативного самообучения и безусловного разобучения в логическом блоке нейропроцессора


Для цитирования: Писарев А. Д. SPICE-моделирование процессов ассоциативного самообучения и безусловного разобучения в логическом блоке нейропроцессора / А. Д. Писарев // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2018. Том 4. № 3. С. 132-145. DOI: 10.21684/2411-7978-2018-4-3-132-145

Об авторе:

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

Аннотация:

Исследование относится к индустрии создания наноэлектронных блоков, предназначенных для реализации устройства нейропроцессора, являющегося аппаратной платформой нейронных сетей и сложных биоморфных архитектур, например, имитирующих работу кортикальной колонки головного мозга. В статье описана схема электронного логического блока, который является ключевым узлом нейропроцессора, выполняющим, в частности, функции ассоциативного самообучения и безусловного разобучения нейронной сети.

Логический блок нейропроцессора состоит из элементарных ячеек, в электрической схеме которых в качестве элемента памяти используется мемристор, соединенный с диодно-транзисторным логическим компонентом. Топология логического блока имеет 3D-периодическую конструкцию, которая представляет собой композицию КМОП-слоев и кроссбаров с мемристивным материалом. Техпроцесс изготовления логического блока является достаточно простым и может быть адаптирован к существующим линиям производства электронных приборов, т. к. основан на типовых физико-химических производственных методах. Мемристорные кроссбары изготавливаются методом реактивного магнетронного напыления, который скомбинирован с распространенной стандартной КМОП-технологией.

На основе логического блока предложена электрическая схема, выполняющая функции известной модели нейрона Ходжкина — Хаксли. В качестве примеров реализации процессов ассоциативного самообучения и безусловного разобучения электронного логического блока были использованы принципы взаимодействия нейронов в живых объектах при выработке условного рефлекса.

Функционирование логического блока в основных режимах исследовалось методом компьютерного SPICE-моделирования. Для этого были разработаны модельные схемы управляющих драйверов, которые подключались к линиям кроссбаров логического блока для формирования информационных сигналов и задания режима работы логического блока. В качестве результатов моделирования представлены эпюры напряжений и токов комбинированного мемристорного кроссбара, полученные в заданных режимах работы устройства.

Основным достигнутым результатом является модель синапса нейрона, реализованная аналоговой работой мемристора в качестве запоминающего элемента логического блока при его импульсном чтении и записи. Показано изменение сопротивления мемристоров логического блока в процессе импульсной записи и стабильное функционирование во время чтения в процессах ассоциативного самообучения и безусловного разобучения трехслойной нейросети.

Список литературы:

  1. Логическая матрица на основе мемристорной коммутационной ячейки: пат. 2643650 Рос. Федерация. № 2017111558; заявл. 05.04.2017; опубл. 02.02.2018, Бюл. № 4. 4 с.
  2. Удовиченко С. Ю. 3D КМОП-мемристорная нанотехнология создания логической и запоминающей матриц нейропроцессора / С. Ю. Удовиченко, А. Д. Писарев, А. Н. Бусыгин, О. В. Маевский // Наноиндустрия. 2017. № 5. C. 26-34.
  3. Baladron J. A Spiking Neural Network Based on the Basal Ganglia Functional Anatomy / J. Baladron, F. H. Hamker // Neural Networks. 2015. Vol. 67. Pp. 1-13.
  4. Bobylev A. N. Neuromorphic Coprocessor Prototype Based on Mixed Metal Oxide Memristors / A. N. Bobylev, A. N. Busygin, A. D. Pisarev, S. Yu. Udovichenko, V. A. Filippov // International Journal of Nanotechnology. 2017. Vol. 14. № 7/8. Pp. 698-704.
  5. Bobylev A. N. Electrical Properties of a TiN/Tix Al1–x Oy /TiN Memristor Device Manufactured by Magnetron Sputtering / A. N. Bobylev, S. Yu. Udovichenko // Russian Microelectronics. 2016. Vol. 45. No. 6. Pp. 396-401.
  6. Brette R. Adaptive Exponential Integrate-and-Fire Model as an Effective Description of Neuronal Activity / R. Brette, W. Gerstner // Journal of Neurophysiology. 2005. Vol. 94. No. 5. Pp. 3637-3642.
  7. Hodgkin A. L. A Quantitative Description of Membrane Current and Its Application to Conduction and Excitation in Nerve / A. L. Hodgkin, A. F. Huxley // Journal of Physiology. 1952. No. 117 (4). Pp. 500-544.
  8. Levy Y. Logic Operations in Memory Using a Memristive Akers Array / Y. Levy, J. Bruck, Y. Cassuto, E. G. Friedman et al. // Microelectronics Journal. 2014. Vol. 45. No. 11. Pp. 1429-1437.
  9. Li C. Analogue Signal and Image Processing with Large Memristor Crossbars / C. Li, M. Hu, Y. Li, H. Jiang et al. // Nature electronics. 2018. Vol. 1. Pp. 52-59.
  10. Maevsky O. V. Complementary Memristor-Diode Cell for a Memory Matrix in Neuromorphic Processor / O. V. Maevsky, A. D. Pisarev, A. N. Busygin, S. Y. Udovichenko // International Journal of Nanotechnology. 2018. Vol. 15. No. 4/5. Pp. 388-393.
  11. Markram H. The Blue Brain Project / H. Markram // Nature Reviews Neuroscience. 2006. Vol. 7. Pp. 153-160.
  12. Markram H. The Human Brain Project / H. Markram // Scientific American. 2012. Vol. 306. Pp. 50-55.
  13. Merolla Р. А. A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network and Interface / P. A. Merolla et al. // Science. 2014. Vol. 345. No. 6197. Pp. 668-673.
  14. Pisarev A. 3D Memory Matrix Based on a Composite Memristor-Diode Crossbar for a Neuromorphic Processor / A. Pisarev, A. Busygin, S. Udovichenko, O. Maevsky // Microelectronic Engineering. 2018. Vol. 198. Pp. 1-7.
  15. Schmidhuber J. Deep Learning in Neural Networks: An Overview / J. Schmidhuber //Neural Networks. 2015. Vol. 61. Pp. 85-117.
  16. Silberberg G. Stereotypy in Neocortical Microcircuits / G. Silberberg, A. Gupta, H. Markram // Trends in Neurosciences. 2002. Vol. 25. No. 5. Pp. 227-230.