Математическое моделирование процессов маршрутизации сигналов логической матрицей, а также кодирования и декодирования информации в биоморфном нейропроцессоре

Об авторе:

Писарев Александр Дмитриевич, кандидат технических наук, доцент кафедры прикладной и технической физики, Школа естественных наук, Тюменский государственный университет, Тюмень, Россия; старший научный сотрудник, лаборатория мемристорных материалов, Центр природовдохновленного инжиниринга, Тюменский государственный университет, Тюмень, Россия; spcb.doc@utmn.ru, https://orcid.org/0000-0002-5602-3880

Аннотация:

В Тюменском государственном университете осуществлена разработка аппаратного нейропроцессора биоморфного типа на основе комбинированного мемристорно-диодного кроссбара. Такой нейропроцессор реализует биоморфную импульсную нейросеть с большим числом нейронов и обучаемых синаптических связей между ними. Большие биоморфные нейросети позволяют воспроизводить функциональность кортикальной колонки головного мозга человека, что посредством автономного нейропроцессора предоставляет новые возможности для задач обработки информации. При проектировании и оптимизации работы входного и выходного устройств, а также логической матрицы нейропроцессора, созданных на основе больших комбинированных мемристорно-диодных кроссбаров, необходимы физико-математические модели, позволяющие моделировать их работу.

В настоящем сообщении представлены разработанные для этого нейропроцессора физико-математические модели: работы ячейки логической матрицы, построенной на основе упрощенных электрических моделей мемристора и диода Зенера; процесса маршрутизации логической матрицей выходных импульсов нейронов на синапсы других нейронов; процессов кодирования информации в биоморфные импульсы и их декодирования после нейронного блока в двоичный код. С помощью этих моделей и численного моделирования показана работоспособность входного и выходного устройств, а также логической матрицы биоморфного нейропроцессора при обработке поступающей информации. Оригинальность моделей связана со спецификой выбранной мемристорно-диодной ячейки универсальной большой логической матрицы, которая, помимо своей основной работы в качестве маршрутизатора импульсов, является основой электрических схем входного и выходного устройств нейропроцессора.

Для численного моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары, применялась оригинальная специализированная программа MDC-SPICE.

Список литературы:

1. Писарев А. Д. Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара / А. Д. Писарев, С. Ю. Удовиченко. М.: Техносфера, 2021. 228 c.

2. Писарев А. Д. Моделирование процессов декодирования информации в выходном устройстве биоморфного нейропроцессора / А. Д. Писарев, А. Н. Бусыгин, А. Х. А. Ибрагим, С. Ю. Удовиченко // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2020. Том 6. № 4 (24). С. 179-193. DOI: 10.21684/2411-7978-2020-6-4-179-193

3. Писарев А. Д. Энергоэффективное биоморфное импульсное кодирование информации в электронных нейронах для входного блока нейропроцессора / А. Д. Писарев // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2019. Том 5. № 3. С. 186-212. DOI: 10.21684/2411-7978-2019-5-3-186-212

4. 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 (76). С. 26-34. DOI: 10.22184/1993-8578.2017.76.5.26.34

5. Удовиченко С. Ю. Биоморфный нейропроцессор — прототип компьютера нового поколения, являющегося носителем искусственного интеллекта. Часть 2 / С. Ю. Удовиченко, А. Д. Писарев, А. Н. Бусыгин, А. Н. Бобылев // Наноиндустрия. 2021. Том 14. № 1 (103). С. 68-79. DOI: 10.22184/1993-8578.2021.14.1.68.79

6. Удовиченко С. Ю. Нейропроцессор на основе комбинированного мемристорно-диодного кроссбара / С. Ю. Удовиченко, А. Д. Писарев, А. Н. Бусыгин, О. В. Маевский // Наноиндустрия. 2018. Том 11. № 5 (84). С. 344-355. DOI: 10.22184/1993-8578.2018.84.5.344.355

7. Biolek D. Reliable SPICE simulations of memristors, memcapacitors and meminductors / D. Biolek, M. Di Ventra, Yu. V. Pershin // Radioengineering. 2013. Vol. 22. No. 4. Pp. 945-968. DOI: 10.48550/arXiv.1307.2717

8. Busygin A. N. Input device for a biomorphic neuroprocessor based on a memristor-diode crossbar for the pulse coding of information / A. N. Busygin, A. H. Ebrahim, A. D. Pisarev, S. Yu. Udovichenko // Nanobiotechnology Reports. 2021. Vol. 16. No. 6. Pp. 798-803. DOI: 10.1134/S2635167621060069

9. Pisarev A. D. 3D memory matrix based on a composite memristor-diode crossbar for a neuromorphic processor / A. D. Pisarev, A. N. Busygin, S. Yu. Udovichenko, O. V. Maevsky // Microelectronic Engineering. 2018. Vol. 198. Pp. 1-7. DOI: 10.1016/j.mee.2018.06.008

10. Pisarev A. D. A biomorphic neuroprocessor based on a composite memristor-diode crossbar / A. D. Pisarev, A. N. Busygin, S. Yu. Udovichenko, O. V. Maevsky // Microelectronics Journal. 2020. Vol. 102. Art. 104827. DOI: 10.1016/j.mejo.2020.104827

11. Pisarev A. D. Operation principle and fabrication technology of the neuroprocessor input unit on the basis of the memristive logic matrix / A. D. Pisarev, A. N. Busygin, A. N. Bobylev, S. Yu. Udovichenko // International Journal of Nanotechnology. 2019. Vol. 16. No. 6-10. Pp. 596-601. DOI: 10.1504/IJNT.2019.106630

12. Winters B. D. Amplitude normalization of dendritic EPSPs at the soma of binaural coincidence detector neurons of the medial superior olive / B. D. Winters, Shan-Xue Jin, K. R. Ledford, N. L. Golding // Journal of Neuroscience. 2017. Vol. 37. No. 12. Pp. 3138-3149. DOI: 10.1523/JNEUROSCI.3110-16.2017

13. Wong S. SPICE macro model for the simulation of zener diode I-V characteristics / S. Wong, C. M. Hu // IEEE Circuits and Devices Magazine. 1991. Vol. 7. No. 4. Pp. 9-12. DOI: 10.1109/101.134564