Training and operation of an integrated neuromorphic network basedon metal-oxidememristors简析
2015年发在nature上的一篇文章
忆阻器用于神经形态的优势:
忆阻器的结构:
I-V 测试:
制备的为阵列结构:
此时的阵列可以存储权重,作为一个卷积核应用于电路中。
本文以神经网络训练和测试中常用的 3×3 像素的 二值图像作为该神经网络系统的训练和测试数据集,样本集包括 30 幅 3×3 的二值图像,每 10 幅样本图为一组, 总共分为 3 个类别,分别是 z、v、n 和其被部分损坏的图像。网络的训练以 30 幅图为一个训练周期, 训练的前 10 幅图为字母 z,中间 10 幅图为字母 v,最后 10 幅图为 字母 n。理想情况下,输入第一类,即字母 z 的图像时, 第一个输出神经元的值应该比第二个和第三个输出值 要大。 输入第二类和第三类与之类似。 测试使用的样本 与训练一致,任意一幅图输入进该系统应该得出正确的 分类结果, 连续将 30 幅图输入也一样可以得到每一幅 图各自正确的分类结果。
model:
神经元模块是神经网络硬件化中最重要的基本模 块。 以 3×3 像素的二值图像为例,考虑到输入神经元与 训练样本图的每一个像素点对应, 输入层有 10 个神经 元。其中第一个输入值为偏置电压,值设为-1,后面 9 个 神经元分别对应9 个点,当像素为黑色时,输入值为 1, 当像素为白色时,输入值为-1
输入"Z"的操作。
The synapses whose weights should be increased (marked by ‘+’ in the table on the left) are adjusted, that is, the memristor conductancesG1,1+, G1,2+, G1,5+, G1,6+ and G1,9+ are being increased
训练大约20多次,达到可以接受的输出正确率。
输出结果如上图。
如有需求或疑问,可见补充;
关于忆阻与模式识别的补充链接:https://fgk.pw/i/qZJdetl4336