Training and operation of an integrated neuromorphic network basedon metal-oxidememristors RRAM+神经网

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