基于片上无监督 STDP 学习的脉冲神经网络 CMOS 电路实现用于模式识别
图像与视频处理
2022-04-12 v1 系统与控制
信号处理
系统与控制
摘要
对海量数据的高速低功耗计算需要高能效的计算架构。具有生物启发的脉冲时序依赖可塑性学习（STDP）的脉冲神经网络（SNN）比传统人工神经网络（ANN）更有希望作为高能效神经形态系统的解决方案。以往带 STDP 学习的 SNN 工作主要使用难以制备的忆阻器件。一些已报道的 SNN 工作采用基于软件的忆阻宏模型，无法完整揭示电路实现挑战。本文首次提出一种在标准 CMOS 技术下具有片上无监督 STDP 学习的 SNN 系统全电路级实现。它不涉及使用 FPGA、CPU 或 GPU 来训练神经网络。我们展示了采用 180 nm CMOS 技术的带片上训练与推理、用于模式分类的 SNN 完整电路级设计、实现与仿真。并给出了所提 SNN 电路与先前相关工作的全面对比。为证明 CMOS 突触电路在需要基于速率学习应用场景中的通用性，我们将成对 STDP 电路调谐获得 Bienenstock-Cooper-Munro（BCM）特性，并将其应用于心率分类。
引用
@article{arxiv.2204.04430,
title = {CMOS Circuit Implementation of Spiking Neural Network for Pattern Recognition Using On-chip Unsupervised STDP Learning},
author = {Sahibia Kaur Vohra and Sherin A Thomas and Mahendra Sakare and Devarshi Mrinal Das},
journal= {arXiv preprint arXiv:2204.04430},
year = {2022}
}