5、忆阻器仿生器件与神经网络计算

忆阻器仿生器件与神经网络计算

1. 忆阻仿生神经元

1.1 生物似然忆阻神经元

• IF 神经元 ：2016 年，Tuma 等人成功在混合电路中开发出积分发放（IF）神经元。该电路由相变（Ge₂Sb₂Te₅，简称 GST）器件和包含比较器的辅助电路组成。相变器件用于表示膜电位，利用 GST 中熔体淬火引起的非晶相重配置的物理特性，实现具有固有随机动力学的积分功能。当局部梯度电位（LGP）达到比较器设定的阈值时，触发尖峰发生器实现发放功能。不过，由于 GST 中电阻切换的非易失性，这种随机神经元缺少漏电功能。
• LIF 神经元
  • 含比较器的 LIF 神经元 ：2018 年，Yang 等人设计了漏电积分发放（LIF）神经元。采用理想的易失性忆阻器件（忆阻器 2）来表示具有短期动态的膜电位，从而实现漏电功能。忆阻器 1 呈现出具有或不具有遗忘效应的非易失性电阻切换行为，用于表示接收输入尖峰的突触。输入信号通过相对突触强度进行缩放，然后通过加法器 OP1 在时间和空间上进行积分得到 Vadd，这是神经元的积分功能。Vadd 施加在忆阻器 2 上，导致忆阻器 2 的电阻减小，从而使 RC 分压（Vout）升高。当 Vout 大于比较器 OP2 的参考值 VR 时，产生尖峰，实现发放功能；若 Vout 低于 VR，由于忆阻器 2 的易失性，Vout 会逐渐泄漏，这就是该神经元的漏电功能。需要注意的是，忆阻器 2 的电阻切换过程是模拟的，没有明显的阈值，因此需要比较器来实现阈值尖峰过程，并且尖峰的产生借助脉冲发生器（P），这使得这种神经