忆阻尖峰神经网络中基于STDP的模式识别学习的必要条件

Necessary conditions for STDP-based pattern recognition learning in a
memristive spiking neural network
忆阻器：
忆阻器，全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻具有电阻的量纲，但和电阻不同的是，忆阻的阻值是由流经它的电荷确定。因此，通过测定忆阻的阻值，便可知道流经它的电荷量，从而有记忆电荷的作用。

与DNN相比，SNN以峰值的速率和时间对信息进行编码，从而可以提供更细微的动态响应以及对应用于网络输入的对象特征的丰富表示（Lobo，Del Ser，Bifet和＆Kasabov，2020年）
这在处理语音和视频等时间序列，为移动设备和机器人设备生成控制信号时尤其明显（Xia＆Yang，2019）。

另外，SNN训练基于突触权重更新的局部规则，仅需要来自突触前和突触后神经元的信息。对于实时训练的紧凑型和低功耗实施方式，这可能是一个显着的优势，因为权重更新不需要每次都计算出网络深层中神经元的误差梯度并扩展到更复杂的网络（Merolla等人，2014年）。

本地规则可能会提供正确的递归（后向和层内）连接修改，包括中间神经元抑制或神经元之间的竞争，这可能会大大降低对标记训练数据集大小的要求（Demin＆Nekhaev，2018）。

根据STDP的基本成对模型，如果突触前神经元恰好在突触后神经元之前产生尖峰，则突触权重会增加（表明因果关系）；如果突触后神经元正好在突触前神经元尖峰之前，突触权重会降低。 -突触（反映非因果关系）（Bi＆Poo，1998）。

STDP的忆阻器实现也可以通过异突触可塑性或类似多巴胺的辅助机制进行调节，这可以实现生物启发的强化学习算法（Maier等，2016; Nikiruy等，2019）。这使得STDP机制成为基于忆阻器的SNN的有监督和无监督学习的基础（Covi等人，2016）。