基于忆阻器的神经网络应用研究！道翰天琼认知智能机器人平台API接口大脑为您揭秘。

 

 

   基于忆阻突触器件的硬件神经网络是神经形态计算的重要发展方向，是后摩尔时代突破传统冯·诺依曼计算架构的有力技术候选。综述了国内外忆阻硬件神经网络的近期发展现状，从器件发展和神经网络两个方面，详细阐述了忆阻器这一新兴信息器件在神经形态计算中所发挥的角色作用，讨论了依然存在的关键问题和技术挑战。忆阻器为实现存算一体化架构和超越摩尔定律提供了技术障碍突破的可行方案。

 

引 言

 

在当今数据量爆炸式增长的背景下，传统计算架构遭遇冯·诺依曼瓶颈，晶体管微缩，摩尔定律已难以延续，这已成为继续提升计算系统性能过程中难以克服的技术障碍[1-4]。神经形态计算概念的提出无疑是可以实现技术突破的一大曙光，人脑信息处理系统的复杂程度是最先进的超级计算机也无法媲美的。在已报道的神经形态计算架构芯片中，其计算能力显著提高，并且体积和能耗远小得多。因此，神经形态计算架构的发展在软件和硬件领域都被极度重视，有望替换当前计算系统架构。
而在众多用于实现神经形态计算的硬件元件中，忆阻器以其高集成度、低功耗、可模拟突触可塑性等特点成为一大有力备选。忆阻器早在1971年就由蔡少棠教授[5]以第4种无源基本电路元件的概念提出，2008年由惠普实验室首次在 Pt/TiO2/Pt三明治叠层结构中通过实验验证[6]。忆阻器首先因其电阻转变效应而被提出用作阻变存储器并被广泛研究。2010年密歇根大学卢伟教授团队[7]提出可以通过操控忆阻器件中离子迁移过程而精细调控器件电导值，率先在Si：Ag忆阻器中实验模拟实现了突触权重调节行为和脉冲时序依赖突触可塑性，从而掀起了忆阻人工神经突触和神经网络的研究热潮。

1.神经形态计算与忆阻器件

 

1.1 神经形态计算

自1965年由英特尔（Intel）创始人之一GordonMoore提出摩尔定律以来，半导体行业的技术发展已经遵循这一定律超过了半个世纪，晶体管技术节点已经微缩到5nm以下，如图1所示[2]。但近年来，由于硅技术的物理极限，摩尔定律的发展被预言面临终结，芯片上的电子元器件不可能无限制地缩小。因此以密度驱动发展的晶体管技术也逐渐达到物理极限，超越摩尔定律的多功能新兴信息器件可能成为后摩尔时代信息技术中不可或缺的基石。
图1.摩尔定律
在大数据时代背景下，传统数据处理方法中存储器与处理器相分离的架构带来了冯·诺依曼瓶颈问题，即存储器和处理器的运行速度均能达到相当水平，但连接这两部分的总线传输速度远远达不到要求，频繁的数据通信消耗了大部分信息处理的时间和功耗。这种处理方法已经无法满足物联网、边缘计算等新应用需求。相比之下，人脑神经系统的信息活动具有大规模并行、分布式存储与处理、自组织、自适应和自学习等特征，数据存储与处理没有明显的界限，在处理非结构化数据等情况下具有非凡的优势。人工智能就是研究、开发用于模拟、延伸和扩展人的智能的系统，对人的意识、思维的信息过程进行模拟，在当今时代背景下具有巨大潜力。所以，未来的计算机体系结构可能需要改变传统的把计算和存储分开的冯·诺依曼架构，利用非易失存储器件，打破“存储墙”，模拟人脑处理机制，构建存储与计算相融合的存算一体计算架构，如图2所示。
图2.传统冯·诺依曼计算架构与基于非易失存储器的存算一体化架构
神经形态计算的研究与发展是通向未来人工智能时代，构建新型存算一体架构的赛道之一。在神经形态计算的研究领域，类神经网络与新型神经形态硬件是两大基础研究，在此研究基础上，结合对生物大脑机制的愈加深入了解，最终实现人工智能。
在类神经网络方面，以深度学习为基础的神经网络研究已经普遍存在于人工智能领域。神经网络ÿ