面向非理想忆阻器件的存内计算神经形态系统方法：从抑制到利用

忆阻器件代表了一种有前景的构建神经形态电子系统的技术。除紧凑与非易失特性外，它们还具有与计算相关的物理属性，如状态依赖性、非线性电导变化，以及开关阈值与电导值中固有的变异性，这使其成为模拟真实突触生物物理特性的理想器件。本文提出一种支持将忆阻器件用作突触元素的脉冲神经网络架构，并给出混合信号模数接口电路，可抑制其电导值变异性的影响，并利用其开关阈值中的变异性来实现随机学习。器件变异性通过使用配置为互补推挽机制并连接到电流模式归一化电路的忆阻器件对来抑制。随机学习机制通过将突触权值期望变化映射为对应于忆阻器件固有随机行为的相应开关概率来实现。我们展示了 CMOS 电路的特性，并将所提架构应用于基于 MNIST 数据集的标准神经网络手写数字分类基准。我们使用行为级脉冲神经网络仿真在该基准上评估所提方法的性能，展示了电流模式归一化电路带来的电导变异性降低效果，以及每个突触所用忆阻器件数量增加带来的性能提升。