具有 1R 忆阻突触的片上可训练无时钟脉冲神经网络
神经与进化计算
2018-08-08 v2 新兴技术
摘要
脉冲神经网络 (SNNs) 正被探索以模仿大脑低功耗学习和识别的能力。具有高度可扩展的 Resistive RAM 或 RRAM 阵列作为突触权重且神经元驱动器位于外围的 Crossbar 架构是 SNN 的一个诱人选项。识别（类似于读取突触权重）需要施加小幅度偏置 across the RRAM 以最小化电导变化。学习（类似于写入或更新突触权重）需要大幅度偏置脉冲以产生电导变化。同时且异步地执行读取和写入所需的矛盾偏置幅度要求（类似于生物学）是一个主要挑战。文献中提出的解决方案依赖于基于时钟的读写操作时分复用，或在写入 coincidental 时忽略读取的近似方法。在本工作中，我们克服了这一挑战，并提出了一种无时钟方法，其中读取和写入在不同的频域中执行。这使得 SNN 能够同时进行学习和识别。我们通过将双层前馈 Iris 分类 SNN 转换为 SPICE 电路模拟器来验证我们的方案，以展示等同于软件的性能。尽管偏离了线性，但系统性能并未受到现实 RRAM 中电导电压依赖性的不利影响。总体而言，我们的方法实现了生物 SNN 算法在硬件中的直接部署。
引用
@article{arxiv.1709.02699,
title = {An On-chip Trainable and Clock-less Spiking Neural Network with 1R Memristive Synapses},
author = {Aditya Shukla and Udayan Ganguly},
journal= {arXiv preprint arXiv:1709.02699},
year = {2018}
}