22、基于事件的神经形态系统中的硅神经元设计

基于事件的神经形态系统中的硅神经元设计

1. DPI 神经元的特性

DPI 神经元通过改变控制神经元时间常数、不应期、 spike - 频率适应动态和泄漏行为的偏置，能够产生从规则放电到爆发式放电等广泛的放电行为。由于广义积分 - 放电（I&F）神经元的非线性项 f(Imem) 具有指数特性，DPI 神经元实现了自适应指数 I&F 模型。该模型已被证明能够重现多种放电行为，并解释来自锥体神经元的一系列实验测量结果。与之对比，LLN 使用三次项，而 van Schaik 等人（2010a）和 Rangan 等人（2010）提出的基于 Tau - Cell 的神经元电路，以及二次和开关电容硅神经元（SiNs）使用二次项，实现了 Izhikevich（2003）提出的 I&F 计算模型。

2. 不同工作区域的 SiN 电路特点

2.1 亚阈值或弱反型区域

此前描述的 SiN 电路中的晶体管大多在亚阈值或弱反型区域工作，电流范围通常在皮安级到纳安级之间。这些电路的优点是能够以极低的功率要求和逼真的时间常数来模拟真实神经元，例如可用于与神经系统交互，或实现时间常数与处理信号相匹配的实时行为系统。然而，在弱反型区域，失配效应比强反型区域更为明显，通常需要学习、适应或其他补偿方案。

2.2 强反型区域

为了忠实地重现数字架构上模拟的计算模型，需要设计低失配和高精度的模拟电路，因此提出了几种在强反型区域工作的 SiN 电路。但在该区域，电流比弱反型区域大四到五个数量级。使用这样的电流时，用于实现电阻的有源电路会显著降低其电阻值。由于在 VLSI 中难以实现具有大电阻值的无源电阻，为了获得生物学上逼真的