Алгоритмы для построения и моделирования работы больших электрических цепей с мемристорно-диодными кроссбарами в биоморфном нейропроцессоре

Об авторах:

Ибрагим Абдулла Хайдар Абдо, аспирант кафедры прикладной и технической физики, Тюменский государственный университет; abdulla.ybragim@mail.ru, ORCID:0000-0002-1709-9882

Удовиченко Сергей Юрьевич, доктор физико-математических наук, профессор кафедры прикладной и технической физики, Физико-технический институт, руководитель НОЦ «Нанотехнологии», Тюменский государственный университет; eLibrary AuthorID, ResearcherID, ScopusID, udotgu@mail.ru

Аннотация:

Биоморфный нейропроцессор является аппаратной реализацией импульсной нейросети; в нем поступающая информация из набора чисел преобразуется в импульсы, а выходящая — наоборот, из импульсов в двоичный код. Для автоматизированного построения электрических схем входного кодирующего и выходного декодирующего устройств нейропроцессора с помощью сверхбольших логических матриц на основе мемристорно-диодного кроссбара разработаны соответствующие алгоритмы. Для последующего имитационного моделирования обработки информации в этих устройствах, а также в запоминающей матрице нейропроцессора создан алгоритм для расчета больших электрических схем с мемристорно-диодными кроссбарами. Этот алгоритм моделирования построен на основе известного алгоритма симулятора SPICE и включает оригинальные математические модели мемристора и селективного элемента диода Зенера, в том числе алгоритм моделирования резистивного переключения мемристора. Результаты имитационного моделирования с помощью разработанных алгоритмов и соответствующих программ показали работоспособность построенных электрических схем входного устройства в режиме кодирования двоичного числа в частоту импульсов популяцией из трех нейронов и выходного устройства нейропроцессора в режиме декодирования поступающих от нейронов импульсов в двоичный формат, включая работоспособность запоминающей матрицы при взвешивании и суммировании импульсов. Созданные алгоритмы моделирования и комплекс программ на их основе может быть использован для эффективного решения инженерно-технической задачи изготовления биоморфного нейропроцессора, требующей имитационного моделирования обработки информации в отдельных устройствах нейропроцессора, построенных на основе больших мемристорно-диодных массивов, с целью оптимизации их параметров.

Список литературы:

1. Ибрагим А. Х. А. Математическое моделирование резистивного переключения в мемристоре на основе полной модели процессов массопереноса кислородных вакансий и ионов / А. Х. А. Ибрагим, А. Н. Бусыгин, С. Ю. Удовиченко // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2022. Том 8. № 2 (30). С. 198-214. DOI: 10.21684/2411-7978-2022-8-2-198-214
2. Ибрагим А. Х. А. Математическое моделирование резистивных состояний и динамического переключения мемристора на основе оксида металла / А. Х. А. Ибрагим, С. Ю. Удовиченко // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика.
   2020. Том 6. № 2 (22). С. 127-144. DOI: 10.21684/2411-7978-2020-6-2-127-144
3. 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. 68-80. DOI: 10.22184/1993-8578.2021.14.1.68.79
4. 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
5. 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. А. Ebrahim, A. D. Pisarev, S. Yu. Udovichenko // Nanobiotechnology Reports. 2021. Vol. 16. No. 6. Pp. 798-803. DOI: 10.1134/S2635167621060069
6. Busygin A. N. Mathematical model of metal-oxide memristor resistive switching based on full physical model of heat and mass transfer of oxygen vacancies and ions / A. N. Busygin, S. Yu. Udovichenko, A. H. A. Ebrahim, A. N. Bobylev, A. A. Gubin // Physica Status Solidi (A). 2022. DOI: 10.1002/pssa.202200478
7. Ebrahim A. H. А. Automatic building of electrical circuits of biomorphic neuroprocessor units and visualization of their numerical simulation / A. H. А. Ebrahim, S. Yu. Udovichenko // Science and Global Challenges of the 21st Century — Science and Technology. Perm Forum 2021. Lecture Notes in Networks and Systems / ed. by A. Rocha, E. Isaeva. Cham: Springer, 2021. Vol. 342. Pp. 16-23. DOI: 10.1007/978-3-030-89477-1_2
8. Filippov V. A. A biomorphic neuron model and principles of designing a neural network with memristor synapses for a biomorphic neuroprocessor / V. A. Filippov, A. N. Bobylev, A. N. Busygin, A. D. Pisarev, S. Yu. Udovichenko // Neural Computing and Applications. 2019. Vol. 32. No. 7. Pp. 2471-2485. DOI: 10.1007/s00521-019-04383-7
9. Gollisch T. Rapid neural coding in the retina with relative spike latencies / T. Gollisch, M. Meister // Science. 2008. Vol. 319. No. 5866. Pp. 1108-1111.
   DOI: 10.1126/science.1149639
10. 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
11. 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
12. Pisarev A. D. Fabrication technology and electrophysical properties of a composite memristor-diode crossbar used as a basis for hardware implementation of a biomorphic neuroprocessor / A. D. Pisarev, A. N. Busygin, A. N. Bobylev, A. A. Gubin, S. Yu. Udovichenko // Microelectronic Engineering. 2021. Vol. 236. Art. 111471. DOI: 10.1016/j.mee.2020.111471